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.

Keine Kommentare: