Prozessoptimierung im E-Mail-Dschungel

Leftshift OneLesezeit: 15 Minuten

Bereits nach der ersten Interaktion erstellt die schlankste KI am deutschsprachigen Markt aus 45% der 40.000 unstrukturierten E-Mailanfragen ein Angebot. Dafür benötigt sie nur 0,5 Sekunden pro E-Mail.

Büros erhalten im Jahr zigtausende Anfragen zu Angeboten. Trotz Plattformen mit All-in-one-Angeboten bevorzugen nach wie vor viele Kunden einen personalisierten Service. Maria Musterfrau sitzt in ihrem Büro tagtäglich vor einer wahren Lawine solcher E-Mails.Ein Großteil ähnelt sich stark, nicht selten fehlen essenzielle Angaben zu den Wünschen der Kunden. Die Arbeit wird mit jeder Minute monotoner. Wichtige andere Aufgaben bleiben des Öfteren auf der Strecke. Kundenservice geht schließlich vor. Doch wie könnte man verhindern, dass Konzentration und Motivation unnötig an ihre Grenzen geführt werden? KI-basierte Prozessoptimierung ist die vielversprechende Lösung für alle Beteiligten.Über dieAI-as-a-Service-Plattform G.A.I.A.erstellen, betreiben und verwalten Büros künftig mühelos eine smarte digitale Assistentin. Wir nennen sie Chloe. Mit Hilfe einer solchen Anwendung können sowohl auf Seite des Anbieters Ressourcen gespart, als auch auf Seite der Konsumenten ein hochwertiger Service erhalten werden. Chloe ist dabei aber keinesfalls Ersatz für die Expertise der Berater. Vielmehr ergänzen sich KI und die persönliche Note in einem symbiotischen Verhältnis zu einem noch besseren Kundenservice. Wie eine smarte digitale Assistentin im konkreten Fall arbeitet, zeigt der folgende Beispielfall.

Projektbeschreibung

Grundlage dieses Projektes ist die Analyse von 40.000 E-Mail-Anfragen von Kunden, die ein Reiseangebot erhalten möchten. Der User übermittelt dem Reiseanbieter eine E-Mail. Über eine Schnittstelle bekommt die smarte digitale Assistentin den Text und analysiert diesen.Ziel ist es, Reiseziel, Reisedauer, Anzahl der Personen, Preis und Flughafen zu identifizieren. User und Chloe interagieren in diesem Fall nicht direkt miteinander. Sie unterstützt lediglich den Reiseagenten. Nachdem die Analyse abgeschlossen ist, wird aus der Datenbank des Reiseanbieters eine passende Reise gesucht und eine E-Mail erstellt.Diese wird dem Reiseagenten zur Freigabe übermittelt. Er entscheidet und bewertet dann abschließend, ob die Künstliche Intelligenz ihre Arbeit ordnungsgemäß erledigt hat. Durch dieses Feedbackservice lernt die KI selbstständig und verbessert sich mit jeder Anfrage. Der Reiseanbieter ist durch den Einsatz des Sprach- und Textverständnisses in der Lage, im Bruchteil einer Sekunde ein Reiseangebot zu erstellen.Der oder die Suchenden bekommen in kürzester Zeit umfassende persönliche Angebote zu ihren Anfragen. Aufgrund dieser Tatsache ist der Reiseanbieter nicht nur konkurrenzfähig, sondern marktführend. Zusätzliche Vorteile sind die Zeit- und Kostenersparnis nicht nur für die Suchenden, sondern auch für den Reiseanbieter.

Technischer Hintergrund

Unser System erhält das rohe E-Mail überRAINund eineGraphQL-Schnittstelleund extrahiert die gewünschten Informationen für das Reisebüro. Dabei kommtA.T.L.A.S.zum Einsatz, um die verschiedensten Informationen aus dem Text extrahieren zu können. Für das Reisebüro werden Orte, Hotels, Reiseveranstalter, Datums- und Zeitangaben, Dauer, Personen inklusive Alter und Anzahl, die Art der Unterkunft (z.B. familienfreundlich), Preislimits, Transportarten und Flugnummern aus den E-Mails extrahiert.Diese Extraktion der verschiedenen Elemente wird mit Hilfe von sogenannten NER-Strategien (Named Entity Recognition) durchgeführt. Dabei greifen wir auf speziell trainierte CNNs (Convolutional Neural Networks) sowie auf Mustererkennung mit Hilfe von Regeln (Rule-Based Pattern Matching) zurück. Weiters kommt auch derNaive Bayes Algorithmuszum Einsatz, um bessere Ergebnisse erzielen zu können.Welche Technologie für welche Elemente am Besten geeignet ist, ist von Fall zu Fall unterschiedlich. Über die Zeit ändern sich Daten wie beispielsweise Reiseveranstalter. Aus diesem Grund müssen sich auch die Regeln bzw. das neuronale Netz ändern. Da die Mitarbeiter des Reisebüros die Qualität von A.T.L.A.S. bewerten können, werden diese Daten zum Aktualisieren der Regeln und des neuronalen Netzes verwendet. A.T.L.A.S. wird somit durchSupervised Learning trainiert und somit aktualisiert. Regeln können außerdem vom Reisebüro selbst geändert oder auch erweitert werden.

Eckdaten

  • NLU-Score: 90% aller Wörter werden vom smarten Assistenten verstanden
  • NER-Score: 45% aller Erstanfragen werden direkt in Angebote verarbeitet
  • Durchschnittliche Bearbeitungsdauer herkömmlicher Anfragen: 5-7 Minuten
  • Verarbeitungsdauer über digitalen Assistenten: 0,5 Sekunden
#assistent#bigdata#ai

Ähnliche Artikel

USECASE

Referenzen & Partner

USECASE

Lumiere - dein kulinarisches Recommender System

USECASE

Predictive Maintenance - Wenn KI der Wartung einen Schritt voraus ist

Das könnte Sie auch interessieren: