Nachfrageprognose im Callcenter

Wie sieht eine Nachfrageprognose im Callcenter aus und warum sollten Sie die zukünftigen Nachfragen Ihrer Kunden immer im Blick behalten?

Das beantworten wir in diesem KI-Use Case. Hier zeigen wir Ihnen, wie wir mit Hilfe einer KI-basierten Nachfrageprognose, die Planung zukünftiger Ereignisse für ein Callcenter optimieren konnten.

Wie plant man die Nachfrage in einem Callcenter? 

Täglich 8.000 Service-Calls verteilt auf über 13 Kanäle: So sieht der Alltag eines Callcenters aus. 

Aufgrund der variierenden Anzahl von Nachfragen, kommt es immer wieder zu Über- oder Unterbesetzung des Personals. Das führt dann entweder zu sehr hohen Kosten oder zu langen Wartezeiten für die Kunden. Wie sollen die Abteilungsleiter entsprechend reagieren? 

• Wie viel Personal sollte geplant werden? 
• An welchen Tagen ist das Aufkommen der Nachfragen besonders hoch/niedrig? 
• Zu welchen Uhrzeiten wird am meisten Personal benötigt? 

All diese Fragen können wir durch Daten und Erfahrungswerte der Vergangenheit beantworten. Allerdings befinden sich diese meist in komplexen Excel-Tabellen, sodass der Verantwortliche diese durch einen hohen manuellen Aufwand auswerten muss. 

Der Outcome: eine menschliche Schätzung.  

Bei dieser liegen folgende Probleme vor: 

• Falsche Schätzung= zu wenig Personal= unzufriedene Kunden 
• Falsche Schätzung= zu viel Personal= zu hohe Personalkosten 
• Zu viel Zeitaufwand für zu ungenaue Planung 

Die KI zur intelligenten Nachfrageprognose im Callcenter 

Wie lassen sich die menschlichen Schätzungsfehler beheben? Die Antwort darauf lautet: Prognose. 

Um die Vorhersage passend zu berechnen, analysieren wir die historischen Daten für den Zeitraum von 30 Tagen. Sodass wir für jeden Tag eine valide Nachfrageprognose vorhersagen können. 

 

Wie entwickeln wir ein solches – auf maschinellem Lernen basiertes – Modell?

1. Zunächst sammeln wir die Daten aus den vorherigen Erfahrungswerten und werten diese aus.
2. Anschließend implementieren wir diese Daten in ein Modell, basierend auf Deep Learning Prozessen.  
3. Um das beste Modell präsentieren zu können, lernen wir über hundert Modelle mit Trainingsdaten an. 

Unter anderem berücksichtigen wir dabei folgende Variablen: 

• Historische Nachfrage der letzten Jahre 
• Produktneuheiten 
• Anzahl Absätze der letzten Wochen und Tage 
• Ferien- und Feiertage 

Das Modell, welches sich am Ende am zuverlässigsten zeigt, verwenden wir dann in der Praxis.

In der folgenden Grafik ist der Prozess der Entwicklung eines KI-basierten Prognosemodells abgebildet. Zunächst werden die relevanten Daten aus den Datenquellen für das Modell-Modeling extrahiert, bereinigt und schließlich in das Modell eingepflegt. Der Algorithmus liest die Daten und erkennt aus ihnen Muster und Zusammenhänge. Diese dienen als Grundlage für die Vorhersage zukünftiger Ereignisse.

Folgendes erhoffen wir uns von dem Nachfrageprognose-Tool: 

• Vorschau, wie viel Aufkommen erwartet wird 
• Eine genauere Personalplanung 
• Kostensenkung und Effizienzsteigerung 

Das Ergebnis nach Implementierung des KI-basierten Nachfrageprognose-Tools

Mit Hilfe der Nachfrageprognose ließ sich die Personaleinsatzplanung im Callcenter deutlich effizienter gestalten. So konnte der Personalverantwortliche – durch das Erkennen von saisonalen Schwankungen – bereits Wochen im Voraus einen entsprechender Einsatzplan erstellen. Zusätzliche Personalkosten mussten nicht aufgebracht werden und die Kundenanfragen wurden schneller entgegengenommen.

Durch die Unterstützung des KI-basierten Nachfrageprognose-Tools, konnten die Personalverantwortlichen den Einsatzplan um mehr als die Hälfte genauer planen.

Die Resultate im Überblick: 

• Eine Zielgenaue Planung 
• Bis zu 66% genauer als die menschliche Schätzung 
• Reduzierter Aufwand im Planungsprozess 

Durch die Berechnung des Modells können wir Nachfrageschwankungen in der Zukunft für die nächsten 30 Tage vorhersagen. So kann der Personalverantwortliche des Callcenters gezielt auf Nachfrageschwankungen reagieren.

Vermieden werden konnte darüber hinaus: 

• Unzufriedene Kunden, die in Warteschleifen versauern 
• Zu hohe Personalkosten 
• Frustrierte Mitarbeiter 

Wenn wir Ihr Interesse für unser Nachfrageprognose-Tool wecken konnten, freuen wir uns über eine Kontaktaufnahme. Sie können sich hier gerne über weitere spannende Fakten rund um das Thema KI informieren. 

Außerdem haben wir auf unserem YouTube-Kanal ein paar interessante Videos zum Thema Künstliche Intelligenz gedreht.