Im heutigen intensiven Wettbewerb in der Telekommunikationsbranche ist es für die Marktteilnehmer besonders wichtig geworden, hochverfügbare Services zu bieten. Deshalb streben die Customer Care Abteilungen danach, bei Ausfällen die Services für den Kunden möglichst schnell wieder nutzbar zu machen. Nicht immer kann das Kundenproblem im Call Center gelöst werden. Dann kommt der Außendienst zum Einsatz, der ein enormer Kostentreiber sein kann. Das zeigt ein Beispiel eines mittelgroßen Telekommunikationsproviders mit ungefähr 450.000 Kunden, bei dem im Jahr 2016 etwa 50.000 Einsätze aufgrund von Servicestörungen auftraten. Münzt man diese Zahlen in Ausgaben um, verursachten Außendiensteinsätze Kosten in Höhe von ca. 5 Millionen Euro.
Dabei ist es gar nicht so einfach herauszufinden, wo überhaupt das Problem für eine technische Störung liegt. Es gibt vielzählige Komponenten die Probleme an einem Telekommunikationsservice verursachen können. So z.B. wenn eine Hardwarekomponente in einer Verteilerstation im Netz defekt ist, bleibt keine andere Möglichkeit als einen Außendienstmitarbeiter ggf. an mehrere Verteilerstationen zu senden, um an Ort und Stelle die Reparaturmaßnahmen zu lokalisieren und bestenfalls zu ergreifen.
Üblicherweise optimiert eine Routenplanungs-Software, die Einsatzzeiten und Fahrtrouten zwischen den Einsatzorten. Diese Wegoptimierung greift nur dann gut, wenn die Ursache des Problems von Anfang an sicher lokalisiert ist. Andernfalls muss der Außendienst alle möglichen Fehlerorte anfahren bis die Fehlerursache gefunden und behoben ist. Das ist nicht nur langsam und mühselig, sondern auch kostenintensiv.
ML hilft die Fehlerlokalisation zu optimieren: Smarte Algorithmen nutzen dafür die aufgezeichneten Daten früherer Störungsfälle und Außendiensteinsätze, um einen Prädiktor für die Vorhersage des wahrscheinlichsten Fehlerorts zu trainieren. Durch die Vorgaben dieses Prädiktors kann der Außendienst so bei der ersten Fahrt zum richtigen Ort geschickt werden. Über Rückmeldungen aus den Einsätzen passt sich das System zudem immer wieder automatisch an die Änderungen der technischen Gegebenheiten an. Da Rückmeldungen über die Korrektheit der Prediktion ein kritischer Faktor für ML sind, liegt auch hier die Achillesferse der Methode. Es ist also wichtig, dass ein Prozess im Unternehmen etabliert ist, der für den zuverlässigen Rückfluss der Einsatzdaten und -ergebnisse sorgt, um so eine konstant gute Einsatzsteuerung zu gewährleisten. Machine Learning wird als Hebel zur Optimierung der Außendiensteinsätze in der Telekommunikationsbranche zukünftig unerlässlich, da die Zeit- und Kostenersparnisse ein enormes Potential aufweisen.
- Machine Learning hilft den Außendienstmitarbeiter auf Anhieb den richtigen Einsatzort anzufahren.
- Unnötige Kosten durch das Anfahren des falschen Einsatzortes werden somit vermieden.