Das Ziel dieser Arbeit ist die Entwicklung und Validierung eines spezifischen Vorgehensmodells für die Nutzung von KI-basierter Text-Klassifikation von E-Mails im B2C-Kundenservice, um eine Lücke zwischen allgemeinen Machine Learning-Vorgehensmodellen und praktisch anwendbaren Leitfäden zu schließen. Durch die Anwendung von Design Science Research wird ein neues Modell vorgeschlagen, das auf die Bewertung von Potenzialen für die Text-Klassifikation von E-Mails ausgerichtet ist.
Diese Arbeit nimmt eine realitätsnahe Stichprobe von E-Mails aus dem Kundenservice eines Unternehmens und analysiert diese mithilfe der SIPOC-Methode, um relevante Prozess-Klassen für die Text-Klassifikation zu identifizieren. Dadurch wird ein praxisnaher Beitrag zur Optimierung des Kundenservice durch effiziente E-Mail-Klassifizierung geleistet. Die vorliegende Arbeit zeigt, wie die Ergebnisse einer SIPOC-Analyse genutzt werden können, um relevante Prozess-Klassen für den späteren Einsatz des E-Mail-Klassifikators zu identifizieren.
Inhaltsverzeichnis
1 Einführung
1.1 Problemstellung und Motivation
1.2 Zielsetzung und Fragestellung
1.3 Forschungsmethodik
1.3.1 Forschung
1.3.2 Wissensbasis und theoretische Fundierung
1.3.3 Umfeld
1.4 Aufbau der Arbeit
2 Begriffsklärung und Einordnung des Vorgehens
2.1 Kundenservice, Service Center, Zielgruppe B2C
2.2 Klassifikation von E-Mails, Text-Klassifikator
2.3 Einordnung existierender Vorgehens- und Reifegradmodelle
2.3.1 Modelle aus Data Mining und Data Science
2.3.2 Methoden aus dem Requirements Engineering und der Softwareentwicklung
2.3.3 Business-Analyse und Prozessbetrachtung
2.3.4 Modelle zur Ermittlung von Reifegrad und Potenzial digitaler Transformation
3 Theoretische Fundierung der Business-Analyse
3.1 Grundlagen zur Geschäftsprozessanalyse im Kundenservice
3.2 Schritte einer Geschäftsprozessanalyse im Kundenservice
3.3 Ausgewählte Techniken zur Geschäftsprozessanalyse
3.4 Bewertungskriterien der Geschäftsprozesse
3.4.1 Häufigkeit
3.4.2 Bearbeitungsdauer
3.4.3 Medien- und Systembrüche sowie digitaler Reifegrad der Prozesse
3.4.4 Prozesskonformität bzw. Schwachstellen im Prozess
3.4.5 Prozesskomplexität
3.4.6 Kundengruppe
3.5 Bewertungskriterien der Daten
3.6 Modellierung von Geschäftsprozessen
3.6.1 Modellierungssprachen und Inhalte von Prozessmodellen
3.6.2 SIPOC-Analyse
3.7 Bewertung von Potenzial und Wirtschaftlichkeit einer Prozessautomatisierung
4 Konzeption - Entwurf des Vorgehensmodells
4.1 Entwurf des Vorgehensmodells
4.2 Phase 1 – Bestimmung der Ist-Prozesse
4.3 Phase 2 – Identifikation relevanter Kernprozesse
4.4 Phase 3 – Bewertung von Nutzen und Potenzial
4.5 Phase 4 – Detailanalyse Kernprozesse
4.6 Einordnung des Vorgehensmodells hinsichtlich der theoretischen Grundlagen
5 Test und Optimierung – Evaluation des Vorgehensmodells
5.1 Phase 0 – Bestimmung des Analyse-Fokus
5.1.1 Einordnung nach Bearbeitungsstatus
5.1.2 Einordnung nach Komplexität des Vorgangs
5.1.3 Nutzung bereits existierender Klassen und Kategorien
5.2 Phase 1 – Bestimmung Ist-Prozesse
5.2.1 Dokumentation der Ergebnisse
5.2.2 Ergebnisse der SIPOC-Analyse
5.2.3 Bearbeitungsdauer der Vorgänge
5.3 Phase 2 – Identifikation relevanter Kernprozesse
5.4 Phase 3 – Bewertung von Nutzen und Potenzial
5.5 Phase 4 – Detailanalyse Kernprozesse
5.5.1 Vorgänge mit Einsatz externer Systeme
5.5.2 Vorgänge ohne Einsatz externer Systeme
5.5.3 Beantworten der eingegangenen E-Mails
5.5.4 Anfragen per Kontaktformular
5.5.5 Verwerfen von E-Mails
5.6 Bewertung des Vorgehens
6 Zusammenfassung und Ausblick
Zielsetzung & Themen
Die Arbeit entwickelt ein Vorgehensmodell für die initiale Phase von Data-Science-Projekten im Kontext der KI-basierten E-Mail-Klassifikation im B2C-Kundenservice, um durch eine fundierte Potenzialanalyse der Geschäftsprozesse die Lücke zwischen generischen Frameworks und praktischer Umsetzung zu schließen.
- Entwicklung eines praxisorientierten Vorgehensmodells für Data-Science-Initialphasen
- Integration von Geschäftsprozessanalyse (GPA) unter Nutzung der SIPOC-Methode
- Bewertung von Digitalisierungspotenzialen im Kundenservice
- Kombination von Methoden aus Business-Analyse, Requirements Engineering und Prozessmodellierung
- Evaluierung am Beispiel eines realen E-Mail-Aufkommens von monatlich 8.000 Anfragen
Auszug aus dem Buch
1.1 Problemstellung und Motivation
Die Nutzung von KI mittels Klassifikationsverfahren ist eine Methode aus dem Bereich Machine Learning (ML) (Kolo, 2011, S. 1). Um ML-Modelle erfolgreich in Betrieb zu bringen existieren in diesem Umfeld verschiedene Vorgehensmodelle wie beispielsweise der Cross Industry Standard Process for Data Mining (CRISP-DM) oder der Team Data Science Process (TDSP). Beide Modelle nennen die initiale Phase „Business Understanding“ als Ausgangspunkt eines Projektes. Diese Phase hat das Ziel, ein Verständnis für die vorliegende Domäne und den konkreten Anwendungsfall zu erlangen. Für diese Phase finden sich in den genannten Vorgehensmodellen allgemeingehaltene Hinweise, jedoch fehlen konkret beschriebene und unmittelbar anwendbare Leitfäden mit Bezug zur Praxis.
Verfolgt man diese eher allgemeinen Hinweise, finden sich Spuren in den Themenfeldern Requirements Engineering und Business-Analyse mit dem Fokus der Geschäftsprozessanalyse (GPA). Die allgemeinen Grundlagen der GPA, die notwendig sind, um die gegebenen Prozesse der E-Mail-Bearbeitung zu untersuchen, sind im Leitfaden „Guide to the Business Analysis Body of Knowledge“ (BABOK-Guide) vom International Institute of Business Analysis gut dokumentiert. Jedoch lassen sich dort keine konkreten Erläuterungen finden, die Hilfestellung geben, anhand welcher spezifischen Kriterien und Messpunkte die Prozesse im Kontext einer E-Mail-Automatisierung in einem B2C-Servicedesk untersucht werden können. Es besteht somit eine Lücke, hinsichtlich erprobter und dokumentierter Vorgehensbeschreibungen, um in der Phase des Business Understanding die Möglichkeiten und Potenziale für den Einsatz eines Klassifikators zu bewerten.
Zusammenfassung der Kapitel
1 Einführung: Diese Einleitung stellt die Motivation dar, KI-basierte Klassifikatoren im B2C-Kundenservice zu nutzen, und leitet die Forschungsfrage sowie das Ziel der Arbeit zur Lückenschließung bei Data-Science-Projekten ab.
2 Begriffsklärung und Einordnung des Vorgehens: In diesem Kapitel werden grundlegende Definitionen wie Kundenservice und Text-Klassifikator geklärt sowie der theoretische Rahmen durch Data-Science- und Reifegradmodelle abgesteckt.
3 Theoretische Fundierung der Business-Analyse: Dieser Teil legt das wissenschaftliche Fundament für die Geschäftsprozessanalyse, einschließlich Bewertungskriterien für Prozesse und Daten sowie Techniken wie die SIPOC-Analyse.
4 Konzeption - Entwurf des Vorgehensmodells: Hier wird das Kernstück der Arbeit, ein in vier Phasen gegliedertes Vorgehensmodell für Data-Science-Projekte im Kundenservice, detailliert konzipiert und erläutert.
5 Test und Optimierung – Evaluation des Vorgehensmodells: Dieses Kapitel demonstriert die praktische Anwendbarkeit des Modells anhand einer Fallstudie mit einem realen E-Mail-Volumen, inklusive Modell-Erweiterungen.
6 Zusammenfassung und Ausblick: Diese abschließende Betrachtung fasst die Ergebnisse zusammen und zeigt Potenziale für zukünftige Forschung und die Integration weiterer KI-Technologien auf.
Schlüsselwörter
Vorgehensmodell, Machine Learning, Kundenservice, Textklassifikation, Business Understanding, Geschäftsprozessanalyse, Potenzialanalyse, SIPOC, Digitalisierung, Prozessautomatisierung, Data Science, Reifegradmodell, Anforderungsanalyse, Effizienzsteigerung
Häufig gestellte Fragen
Was ist das zentrale Thema der Arbeit?
Die Arbeit beschäftigt sich mit der Konzeption eines Vorgehensmodells für die Analyse von Geschäftsprozessen im B2C-Kundenservice, um Potenziale für den Einsatz KI-basierter Textklassifikatoren in Data-Science-Projekten zu identifizieren.
Welche Herausforderung soll gelöst werden?
Es existiert eine Lücke zwischen theoretischen, oft zu generischen Data-Science-Vorgehensmodellen und der praktischen, spezifischen Umsetzung bei der Analyse von Anwendungsfällen im Kundenservice.
Was ist das primäre Forschungsziel?
Ziel ist es, ein unmittelbar anwendbares Vorgehensmodell zu schaffen, das die initiale Projektphase (Business Understanding) durch eine fundierte Potenzialanalyse der Geschäftsprozesse unterstützt.
Welche wissenschaftliche Methode kommt zum Einsatz?
Die Arbeit nutzt die Design Science Research Methodologie (DSR), um eine hilfreiche Methode (das Vorgehensmodell) zu schaffen und durch Anwendung in einem realen Praxisumfeld zu evaluieren.
Welche Kernaspekte werden im Hauptteil behandelt?
Der Fokus liegt auf der theoretischen Fundierung der Business-Analyse, der systematischen SIPOC-Prozessanalyse und der Anwendung auf ein reales E-Mail-Aufkommen zur Ermittlung von Automatisierungspotenzialen.
Was zeichnet die Arbeit aus?
Die Arbeit verbindet Methoden aus dem Requirements Engineering und der Prozessanalyse mit Data-Science-Frameworks und bietet konkrete, datengetriebene Handlungsempfehlungen.
Warum wurde die SIPOC-Methode gewählt?
SIPOC ist aufgrund seiner klaren Struktur und Einfachheit besonders geeignet, um schnell eine faktenbasierte Übersicht der Prozesse zu erhalten und Kriterien für eine Automatisierung abzuleiten.
Welches Potenzial bietet die Automatisierung von verworfenen E-Mails?
Da ca. 14 % der E-Mails manuell gelöscht oder verworfen werden müssen, identifiziert die Autorin hier ein hohes Automatisierungspotenzial (ca. 208 Stunden Ersparnis p.a.), das durch einen binären Klassifikator effizient gehoben werden könnte.
- Arbeit zitieren
- Monika Arbter-Hubrich (Autor:in), 2022, Die Optimierung des B2C-Kundenservice durch KI, München, GRIN Verlag, https://www.grin.com/document/1453424
