Machine Learning (ML) ist dabei den Assurance Bereich von Telekommunikationsunternehmen dauerhaft zu verändern. Vielen Management-Verantwortlichen ist das bewusst und sie versuchen die richtigen Weichen zu stellen, um von lernenden Systemen im Support zu profitieren. Doch die neue Technologie braucht eine neue Definition von Erfolg und damit von Geschäftszielen. Vor dieser Herausforderung stehen die Verantwortlichen gerade bei ersten ML-Projekten.

Support-Verantwortliche agieren in einem dauerhaften Spannungsfeld von Businesszielen: Einerseits sollen Kosten gesenkt werden, andererseits die Kundenzufriedenheit aufrechterhalten beziehungsweise gesteigert werden. Diese oft konkurrierenden Ziele schlagen sich in verschiedenen Kennzahlen nieder: Denn eine höhere durchschnittliche Bearbeitungszeit treibt die Kosten hoch, reduziert die Erreichbarkeit des Call Centers aber beeinflusst die Zufriedenheit der Kunden. Kürzere Bearbeitungszeiten führen vermehrt zu Weiterleitungen in das 2nd- oder 3rd-Level, beziehungsweise in den Außendienst, da mögliche interne Maßnahmen aus Zeitgründen nicht ausgeschöpft wurden. In diesem Spannungsfeld kann die Einführung von lernenden Systemen unterstützen beide Ziele zu erreichen. Doch welche Herausforderungen sollten Verantwortliche bei der Formulierung von Geschäftszielen beachten, wenn sie erste ML-Projekte starten?

Das Erfolgsgeheimnis von Machine Learning verstehen

Bevor Geschäftsziele definiert werden können, müssen Verantwortliche die Technologie und deren Auswirkungen verstehen. Machine Learning optimiert ein berechenbares Ziel und das ist das Erfolgsgeheimnis. Dieser Umstand erfordert aber oft mit einen Mindchange auf Entscheiderebene: Geschäftsziele müssen nun in eine berechenbare Zielfunktion überführt werden. Und die Zielfunktion wiederum muss von den Verantwortlichen und eventuell auch von Steakholdern gemeinsam erfasst und gelebt werden. Das ist die Grundlage, um mit lernenden Systemen optimale Ergebnisse zu erzielen.

ML: Gnadenlose Effizienz benötigt akribische Vorbereitung

ML-Algorithmen optimieren gnadenlos. Das macht sie so wirkungsvoll, erfordert aber eine viel konkretere Definition von Erfolg und den angestrebten Businesszielen, als das bei Projekten ohne ML der Fall ist. Wo sonst eine ungefähre Auflistung von Einflussfaktoren, wie kürzerer durchschnittlicher Bearbeitungszeit (Average Handling Time, AHT), höherer First Time Clear Rate (FTR) oder auch Net Promoter Score (NPS) ausreichten, sind das bei ML-Projekten nur Ausgangspunkte - der Erfolg der Algorithmen hängt von weiteren Faktoren ab. Um passende Geschäftsziele für Erstprojekte zu formulieren, sollten Verantwortliche folgende Punkt berücksichtigen:

1. Als Grundvoraussetzung muss Transparenz über die Aufgabe und Möglichkeiten der ML-Technologie herrschen.
2. Vorhandenen Daten müssen bewertet werden: Welche können durch ML optimiert werden? Nur optimale Daten liefern optimale Ergebnisse. Mehr zu diesem Thema finden Sie hier.
3. Dann müssen die Einflussgrößen AHT, FTR oder Anzahl Recaller identifiziert und quantifiziert werden.
4. Nun muss die Korrelation zwischen zusätzlichen Faktoren und Einflussgrößen herausgefunden werden: Ein Beispiel zeigt, wie wichtig dieser Schritt ist: Wird die AHT als einziger Einflussfaktor optimiert, wählt der ML-Algorithmus "Eskalation an die nächste höhere Stelle", weil so die minimale Bearbeitungszeit erreicht wird. Bezieht das lernende System aber den Faktor Kosten mit ein, entscheidet sich der ML-Algorithmus nicht unbedingt für die Eskalation an die nächsthöhere Stelle. Der Grund hierfür: Eine Eskalation bedeutet höhere Kosten, da ein teurerer Mitarbeiter aktiv werden muss.
5. Darauf muss eine berechenbare Zielfunktion erarbeitet werden.

Zusätzliche Tipps für eine erfolgreiche Startphase von Projekten mit lernenden Systemen finden Sie hier.

Erfolg bedeutet, keine Angst zu haben Einzelentscheidungen abzugeben

Verantwortlichen sollte klar sein, welches mächtige Werkzeug sie in ihrem Unternehmen einsetzen. Und dass es anders gesteuert werden muss als herkömmliche Technologien. Für die Geschäftsziele bedeutet das, dass Verantwortliche akzeptieren müssen Einzelentscheidungen abzugeben und diese dem lernenden System zu überlassen. Bei Detailentscheidungen, wie "nach drei Repairversuchen bitte weiterleiten" oder "Repair XY immer durchführen", sind ML-Algorithmen einfach schneller und effektiver. Verantwortliche könnten aber die Abgabe von Detailentscheidungen als Kontrollverlust wahrnehmen und dieser Angst muss offen entgegengetreten werden. Die Aufgabe der Verantwortlichen ist es eine übergreifende Zielfunktion zu formulieren. Sind diese Voraussetzungen erfüllt, wirken sich die Einflussfaktoren direkt auf das lernende System aus. So können sich Verantwortliche auf die wesentlichen Entscheidungen und übergeordnete Marschrichtung konzentrieren.

ML-Erfolge müssen messbar sein

Mit ML gewinnen Verantwortliche einen wichtigen Mitstreiter, um die Businessziele zu erreichen. Doch ist es wichtig die erzielten Erfolge zu überprüfen. Denn die Einflussfaktoren AHT und FTR können mit jedem weiteren ML-Zyklus eine Optimierung der Business Objectives erreichen. Durch regelmäßige Simulationen der Vergangenheit erhalten die Verantwortlichen Sicherheit über den erfolgreichen Einsatz des lernenden Systems. Zusätzlich ist es empfehlenswert in der Startphase eines ML-Projekts ein Monitoringsystem der Zielfunktion in Echtzeit zu etablieren. Das gibt nicht nur weitere Sicherheit, sondern macht Erfolg messbar und kann so helfen dem lernenden System zu vertrauen und die Abgabe von Detailentscheidungen mit gutem Gewissen anzunehmen.                                           

Gut vorbereitet für ML-Projekte

Durch ML lassen sich gerade im Support von Telekommunikationsunternehmen viele Verbesserungen erzielen, denn es liegen sowohl viele Daten vor als auch klar messbare Erfolgsfaktoren. Mit einer konkreten und quantifizierbaren Definition der Geschäftsziele gewinnen Unternehmen mit lernenden Systemen einen Partner, der zeitnah und agil die Optimierung der Ziele vorantreibt.