Montag, 23. Oktober 2017

Predictive Servicing und Diskussion zur Automation

Launige Worte zum Einstieg: Ich wollte ja das Gentsch-Buch "Künstliche Intelligenz für Sales, Marketing und Service: Mit AI und Bots zu einem Algorithmic Business" noch ein wenig anteasern. Das kann ich auf zwei Arten und Weisen tun:

1. Für diejenigen, die gern hören und sehen, gibt es morgen eine Expertendiskussion mit Manfred Stockmann vom CCV Deutschland, Harald Huber von der Firma USU und mir. Wir diskutieren spannende Zukunftsthemen und neue Herausforderungen im Kundenservice, wie z.B.

  • Service Automation – keine Zukunft ohne Bots im Kundenservice?
  • Welche Self-Service-Technologien eignen sich wirklich für den Kundenservice?
  • Chat-Bots im Service – leichter, schneller und effektiver?

und vieles mehr. Anmelden kann man sich jetzt noch hier. Ansonsten werde ich das Video dazu in den nächsten Wochen auf diesem Blog teilen.

2. Für diejenigen, die lieber lesen, hier ein kleines Stück über die Vermeidung von Servicefällen durch Predictive Servicing:  

Servicefälle vermeiden, bevor sie entstehen!

Immer mehr Contact Center nutzen analytische Tools. Das zeigt die Studie des Service-Excellence Cockpits 2017. Das eröffnet neue Möglichkeiten für den Kundenservice. So können Servicefälle beispielsweise vorhergesagt werden, bevor sie entstehen. Durch die enormen Einsparungspotentiale, die eine solche Optimierung mit sich bringt, ist das im Investitionsgüterumfeld schon längst ein großes Thema. Durch „Big Data“ wird es zunehmend auch im Umfeld von Konsumgüterindustrie und Handel interessant. Nötig ist dazu eine geschickte Verknüpfung interner und externer Informationen. Und viel Wissen über die Kosten und Folgekosten von Kundenservicefällen.  

Das sogenannte Predictive Maintenance ist eine Spielart des Predictive Modelling, welches für den Service-Bereich zukünftig enorm an Bedeutung gewinnt. Hier spielt der Umgang mit Big Data und der darauf aufbauenden prädiktiven Analytik eine besondere Rolle, wie eine Studie der Universität Potsdam aufzeigt. Bezogen auf den Kundenservice geht es bei Predictive Maintenance vor allem um das proaktive Handeln eines Unternehmens zum Vermeiden von absehbaren Servicefällen. Es geht also darum, aus verfügbaren Daten Quellen ein Modell zu entwickeln, welches voraussagt, wann welcher Servicefall mit welchen Konsequenzen für das Unternehmen und den Kunden eintritt. Das verhindert zum einen unnötige Wartungskosten von Maschinen aufgrund fixer Zyklen, auf der anderen Seite aber auch einen teuren Ausfall einer Maschine oder eines Geräts.

Ziel ist es, einen hoher Grad an Kundenzufriedenheit zu generieren. Dies ist vor allem dadurch möglich, dass nicht nur firmeninterne Daten und Informationen aus den Kundendialogen und Erfahrungsdaten über die eigenen Produkte sondern auch externe Umweltdaten zur Modellierung herangezogen werden. Dies kann man an einem Beispiel aus der Maschinenbau-Industrie darstellen:  

Abbildung 1: Modell zur Kalkulation der Ausfallwahrscheinlichkeit im Maschinenbau 
(Quelle: Hoong et al. 2013, dankenswert bearbeitet durch das Contact Management Magazine)
Im Gegensatz zu einer Wartungslogik dieser Maschine, die nach festen zeitlichen oder Nutzungs-Zyklen abläuft, bezieht das Predictive Maintenance Modell interne wie externe statische wie dynamische Daten ein, um zu prognostizieren, wie hoch die Wahrscheinlichkeit eines Ausfalls der Maschine ist. Nun kann man rein wirtschaftlich überlegen, was der Ausfall der der Maschine pro Tag oder Stunde kostet.

Im konkreten Fall bedeutet das: Erfolgt die Wartung zu früh, hätten die Verschleißteile der Anlage länger genutzt werden können. Es entstehen also unnötige Kosten. Steht die Maschine, entstehen dem Kundenunternehmen Ausfallkosten, die unter Umständen vertragsbedingt an das herstellende Unternehmen weitergereicht werden können. Hier kommt Machine Learning ins Spiel. Der Algorithmus lernt mit jedem Ausfall einer Maschine hinzu. Auf der Basis aller laufenden Maschinen und deren Serviceintervallen und ungeplanten Ausfällen wird die Genauigkeit des Schätzmodelles immer besser und kann so den Optimalen Zeitpunkt für eine Wartung bzw. einen Austausch feststellen.

Diese Logik ist zunehmend auch in BtoC Umgebungen nutzbringend anzuwenden. Nehmen wir als Beispiel den Fall eines Händlers, der Kaffee in Kapseln in hoher Qualität im Rahmen eines Club-Modells an seine Kunden zu hohen Margen verkauft. Dieses Unternehmen kennt durch sein Business Modell den Kunden mit Namen und Adresse. Es weiß also, wie viele Kapseln welcher Kaffeesorte der Kunde gekauft hat. Gleichzeitig, kennt es die Marke und den Typ der verwendeten Maschine. Das Unternehmen kennt die durchschnittliche Lebensdauer dieser Maschinen im Bezug zum Wasserhärtegrad am Wohnort des Kunden. Dieser ist in entwickelten Märkten recht leicht herauszufinden. Auch weiß das Unternehmen, wie häufig der Kunde seine Maschine entkalkt hat. Das Entkalkungsset bezieht er ja in der Regel auch über den Club. All diese Faktoren ergeben ein Schätzmodell, welches mit der Zeit wie oben beschrieben verfeinert wird. Nun ist lediglich noch zu klären, wie man den Ausfall dieser Maschine vermeidet.

Andererseits weiss das Handelsunternehmen, dass ein Kunde, dessen Maschine ausfällt, im Durchschnitt einen Monat keinen Kaffee kauft, bis er eine neue Maschine angeschafft hat. Während dieser Zeit besteht natürlich ein erhöhtes Risiko, des Anbieterwechsels, da ja eine Wechselbarriere (eine funktionierende Kaffeemaschine) weggefallen ist. Um die Ausfallkosten der entgangenen Umsatzmarge und das Risiko des Anbieterwechsels zu minimieren macht der Händler dem Kunden nun ein (aus dessen Sicht) vorteilhaftes Angebot, sobald die Wahrscheinlichkeit eines Maschinenausfalls ein gewisses Ausmass erreicht hat. Der Kunde kann (bei Bestellung einer gewissen Menge Kaffee) eine neue (aus seiner Sicht weitere) Kaffeemaschine zu einem für ihn attraktiven Angebotspreis erwerben. Geht der Kunde auf das Angebot ein, ist das Predictive Servicing hier für den Kaffeehändler erfolgreich gewesen.

Gesamthaft sieht man, dass es um eine Optimierung der Wartungs- bzw. Gesamtservicekosten geht. Diesem Sachverhalt trägt auch das Service-Excellence Cockpit in seiner neuesten Umfragewelle Rechnung. Nur, wenn Gesamtservicekosten erfasst und verglichen werden könne, ist Predictive Servicing erfolgreich.

Mittwoch, 18. Oktober 2017

Buchmesse und Social Selling

Launige Worte zum Einstieg: Hier ist was los. Im ersten Halbjahr 2017 habe ich ja ausschliesslich Content für Bücher und Zeitschriften erstellt und diesen Blog hier vernachlässig. Jetzt müssen wir hier mal wieder aufholen.

Hafner auf der Buchmesse 2017

Letzte Woche war ich auf der Buchmesse in Frankfurt und habe meine neues Buch "Die Kunst der Kundenbeziehung" vorgestellt. Das war sehr schön, denn bei meinem Verlag Haufe-Lexware konnte man sich im Anschluss noch mit den verschiedenen Autoren bei einem Empfang vernetzen. Und egal, was man so über das Ende des gedruckten Papiers im Zuge der Digitalisierung liest, das Buch scheint auch im Fachbuch Bereich lebendig zu bleiben. Recht aufschlussreich verlief auch das Treffen mit meiner Produktmanagerin bei Haufe, der wunderbaren Nadine Öfele. Etwa die Hälfte der ersten Auflage ist nun verkauft und auch das Ranking bei Amazon ist zur Zeit mehr als zufriedenstellend. Auch gibt es mittlerweile doch mehr als 20 Rezensionen, überraschenderweise auch hier. Am 7.11. lese ich nun zum ersten Mal in grösserem Rahmen in Zürich aus dem Buch vor. Lesungen in Berlin und Wien folgen. Sicher geht es dabei darum, wie Kundenbeziehungen entstehen und auch Frau Puvogel wird wieder eine Rolle spielen. In der nächsten Woche gibt es dazu mal eine Kostprobe hier auf dem Blog.

Neues Buch und neues Buchkapitel

Anfang November erscheint dann auch noch das Buch "Künstliche Intelligenz für Sales, Marketing und Service: Mit AI und Bots zu einem Algorithmic Business" von meinem Kollegen Peter Gentsch bei Springer Gabler. Zu diesem Buch habe ich auch noch ein Kapitel zum Thema Kundenservice beitragen dürfen. Auch da gibt es in den nächsten Wochen eine Kostprobe, wie sie bspw. schon im Contact Management Magazine erscheinen ist. Das ist übrigens in dieser Woche erscheinen und (auch ganz unabhängig von meinem Artikel) wirklich lesenswert für Kundenmanagement und Customer Experience Profis - nicht nur in der Schweiz. Allein das "Cloud special" zeigt wieder viele Aspekte rund um Cloud Services für das Kundenmanagement, für die man selbst lange recherchieren müsste.

Social Selling und Personal Branding

Ein Riese und zwei Zwerge: Andreas Penkert von Detecon,
Diana zur Löwen (mittig) und der etwas erkältete Autor.
Content schaffen ist ja das eine. Content vermarkten und damit selbst zur Marke werden, das andere. Wie man das macht, war die Fragestellung beim Digital Lunch von Detecon Consulting in Köln im Anschluss an die Buchmesse. Neben meinem kleinen Beitrag über diesen Blog, soziale Medien, meine Vorbilder und natürlich das neue Buch, hatte ich die Freude Diana zur Löwen zuzuhören. Und das ist ja schon erstaunlich, wenn man sieht, dass Diana mit Anfang 20 615.000 Menschen auf Instagram begeistert, indem sie vornehmlich sie selbst ist. Fröhlich, engagiert, gut angezogen, gepflegt und unterhaltsam. Jedenfalls für Ihre Zielgruppe. Und das sehen auch Marken wie DM und bebe so. Spannend für mich dann vor allem die Diskussion mit den Experten von Detecon im Anschluss, was man aus den Beispielen von Diana und mir übernehmen kann. Klar ist, dass nicht jeder Spass an Social Media, Blogging und digitaler Selbstvermarktung hat. Ist es auch bei Beratungsprofis wertvoll, Themen digital und persönlich zu beleuchten und nicht immer nur 100% glatt und nüchtern daher zu kommen. Ich bin gespannt, wie sich Consulting hier in den nächsten Jahren verändern wird.