Kosteneffizienz und Kundenorientierung durch MACHINE LEARNING am Beispiel Textanalyse

Durch Machine Learning (ML) lernen Computer spezifische Aufgaben, für die bis vor Kurzem noch menschliche Arbeit nötig war, selbstständig zu bearbeiten, oder den Menschen zumindest dabei zu unterstützen.
Große Potenziale lassen sich durch den Einsatz von ML auch im Rahmen der Analyse unstrukturierter Textdaten erschließen – im Businessumfeld ein ebenso wichtiges wie vernachlässigtes Feld: Einerseits stellen Textdaten in vielen Unternehmen den Großteil der relevanten Daten dar, andererseits sind sie aufgrund ihrer fehlenden Struktur nicht trivial zu analysieren und werden deshalb oft stiefmütterlich behandelt.

Funktionsweise von MACHINE LEARNING

Klassischerweise kategorisiert ein Mitarbeiter eingehende Dokumente im Posteingang und leitet sie an die passende Abteilung weiter. Je mehr dieser Dokumente er weiterleitet, desto besser wird er in dieser Aufgabe, weil er die intrinsischen Muster in den Texten der verschiedenen Kategorien immer besser unterscheiden kann und aus Feedback lernt.
Ebenso arbeitet heutzutage ein ML-Modell zur Kategorisierung von Texten: Aus Daten mit bekannter Kategorie werden die spezifischen Muster jeder Kategorie gelernt und durch Feedback zu richtigen und falschen Ergebnissen verfeinert.

Einsatzszenarien

So können aus unterschiedlichen Quellen wie Posteingang, Projektdokumenten, Publikationen, Produkt- und Prozessbeschreibungen, interner Kommunikation, etc. Informationen effizient extrahiert werden. Dabei soll bereits im Vorfeld überlegt werden: was für Informationen sollen gewonnen werden und wie werden diese weiterverarbeitet? Sprich: Sollen aus den Publikationen oder anderen Texten Trends erkannt und zusammengefasst werden? Sollen die Posteingangdokumente je nach Kontext automatisch an den passenden Mitarbeiter weitergeleitet werden oder sogar schon weitere Schritte eingeleitet werden wie eine automatisierte Adressänderung?

Ein anderer Anwendungsfall entsteht, wenn man bedenkt, wie schlecht sich die Analyseergebnisse vergleichen lassen, wenn diese von verschiedenen Mitarbeitern durchgeführt werden. Ganz zu schweigen von dem Fall, wenn bei der Analyse einige Kriterien sich ändern oder dazu kommen. Während dies für die manuelle Bearbeitung den neuen Durchlauf und somit auch den doppelten Aufwand bedeutet, würde der ML Ansatz in Sekunden neue Ergebnisse liefern.

Einsatz eines ML-Modells zur automatisierten Extraktion von beispielsweise Themen, Schlagwörtern und relevanten Textpassagen (wie Rechnungs-Nr. oder Personen- und Firmennamen sowie Thema des Textes) könnte ein guter erster Use Case werden, um den Mehrwert eigener Daten im Unternehmen besser zu erkennen.

Unternehmerische Auswirkung anhand eines Rechenbeispiels

Ein großes deutsches Versicherungsunternehmen kann jährlich mit etwa 30 Millionen eingehenden Textdokumenten rechnen, von denen typischerweise bei rund 20 % eine Reduzierung der Bearbeitungsdauer erreicht werden kann. Bei einer Reduktion von durchschnittlich ca. einer Minute ergibt sich eine jährliche Einsparung von rund 2,84 Millionen EUR.

Möchten sie mehr erfahren?

Falls Sie Interesse am Thema Machine Learning haben und wissen möchten, ob und wie Sie diese Technologien in Ihrem Unternehmen sinnvoll einsetzen können, beraten wir Sie gerne kostenlos und unverbindlich und finden für Sie auf Wunsch den passenden Technologie-Partner für Ihre Umsetzung.

Herausforderungen

  • Große Mengen an unstrukturierte Textdaten
  • nur bedingt vergleichbare Ergebnisse bei manueller Dokumentbearbeitung
  • hohe Kosten bei manueller Bearbeitung und Sortierung von Dokumenten
  • Informationen aus unterschiedlichen Quellen effizient extrahieren

Lösungen

  • automatisierte Extraktion von beispielsweise Themen, Schlagwörtern und relevanten Textpassagen
  • Einsatz eines ML-Modells zur Kategorisierung von Texten
  • Einführung eines ML-Modells zum automatisierten Routing von eingehenden Textdokumenten

plus-rounded-circle
Vorteile

  • Effizienzsteigerung durch automatisierte Routingprozesse
  • Kundenorientierung durch automatische Erkennung von Beschwerden und anderen relevanten Texten sowie durch automatisierte Priorisierung von Nachrichteneingängen
  • Kostensenkung durch geringeren manuellen Arbeitsaufwand
  • Nutzbarkeit von relevanten Informationen für weitere Analysen
Für ein besseres Surferlebnis nutzt knooing Cookies. Wenn Sie auf dieser Website weitersurfen stimmen Sie der Cookie-Nutzung zu.