An Machine Learning kommt derzeit niemand vorbei. Mit Hilfe dieser Technologie lassen sich bereits heute neue Wege gehen. Auch bei schrempp edv hat Machine Learning einen hohen Stellenwert. Neben unseren eigenen Entwicklungen im Rahmen unserer Zukunftswerkstatt bieten wir Studenten der Hochschule Offenburg und Mitarbeitern aus unserem Haus die Möglichkeit sich intensiv mit dem Thema auseinander zu setzen. Hierfür wurde das Projekt ML² der Hochschule ins Leben gerufen.
Worum geht es?
Im ersten Praxis-Projekt zu ML² wird die automatisierte Zuordnung von Kunden-Tickets zu den bearbeitenden Mitarbeitern untersucht. Der SIVAS.ERP Kunden-Support besteht bei schrempp edv aus mehreren themenbezogenen Teams (Kaufmännisch, Materialwirtschaft, Fertigung, Mobile), welche die anfallenden Kundenmeldungen unter sich aufteilen. Dadurch wird gewährleistet, dass die verschiedensten Anfragen stets durch einen themenbezogen spezialisierten Mitarbeiter bearbeitet werden – was eine hohe Effizienz zur Folge hat. Dies zeigt sich auch in der Kundenzufriedenheit wieder.
Bisher findet die Zuordnung der eingetragenen Kunden-Tickets zu den Teams manuell statt. Hierzu liest sich, der für die Zuordnung zuständige Mitarbeiter, jedes einzelne Ticket durch und entscheidet dann anhand der im Text gegebenen Informationen (und gegebenenfalls angehängter Dokumente) welches Team zur Bearbeitung des Sachverhalts am geeignetsten ist. Für dieses Vorgehen muss stets der zuständige Mitarbeiter entsprechend Zeit haben. Da Zeit eine kostbare Ressource darstellt, soll mit Hilfe von Machine Learning dieser Prozess automatisiert werden.
Wie funktioniert es?
Im erprobten Verfahren werden die gegebenen Daten eines Tickets, wie das betreffende Programm, das Modul und die vom Kunden angegebene Beschreibung textuell analysiert. Findet das Verfahren bestimmte Merkmale, welche eindeutig einem Team zuzuordnen sind, wird dieses Team für die Zuordnung vorgeschlagen. Hier gilt der Fokus besonders auf die Analyse des Freitextes – zwar werden bei der Erstellung eines Tickets bestimmte Parameter abgefragt, jedoch sind hier häufig Fehlinformationen vorhanden. Erst durch die genaue Beschreibung des vorliegenden Falles lässt sich eine korrekte Zuordnung ermöglichen – meistens müssen zusätzliche Dokumente wie E-Mailanhänge oder Textdateien dazu gezogen werden.
Bisher konnte auf Basis der verwendeten Daten eine Zuordnungsrate von 80% korrekt zugeordneten Tickets erreicht werden. Dies ist bereits um ein Vielfaches besser als die Wahrscheinlichkeit das korrekte Team zu raten. Zum Vergleich: Die menschliche Leistungsfähigkeit liegt hier, bedingt durch die Komplexität und Interdependenz der Sachverhalte, bei etwa 85% bis 95% korrekten Zuordnungen. Im weiteren Fortgang des Projektes sollen die bereits angewandten Verfahren verfeinert und um eine noch tiefergehende Analyse der vorhandenen Daten erweitert werden.
Unsere Mitarbeiter vertiefen hierdurch die Kenntnisse der Lernverfahren und legen damit den Grundstein für Assistenzsysteme zur weiteren Verbesserung der Benutzerführung, zur Optimierung von Betriebsprozessen und zur Einsparung von unnötigen Kosten im Tagesgeschäft unserer Kunden bei der Nutzung von SIVAS.ERP.
Das Ergebnis nach einem halben Jahr
Nach Abschluss der Entwicklungsphase wurde das Verfahren in einer mehrmonatigen Testphase erprobt. Mit den hieraus gewonnenen Erfahrungen konnten weitere Verbesserungen eingeführt werden, welche in einer schlussendlichen Zuordnungsrate von 90 bis 95% resultierten. Da dies eine überaus zufriedenstellende Leistung ist haben wir uns dazu entschieden, das Verfahren in den Realbetrieb zu überführen und den verantwortlichen Mitarbeiter von dieser Aufgabe zu befreien, so dass er sich auf seine anderen Tätigkeiten konzentrieren kann.
Die Rückmeldung durch unsere Mitarbeiter ist durchweg positiv. Dank der hohen Trefferquote werden so gut wie keine Tickets falsch zugeordnet. Selbst bei vorsätzlichen Manipulationen der Daten (durch unsere Mitarbeiter zu Testzwecken) ließ sich der Algorithmus nicht beirren. Das Projekt ist somit als voller Erfolg zu sehen und hat einen robusten Dienst hervorgebracht, der uns eine wichtige Arbeit abnimmt.
