Call Reduktion & Self Service Optimierung durch Machine Learning

Reduktion unnötiger Service Calls bei gleichzeitiger Optimierung der Self-Service Anwendungen im Customer Care.

Ausgangslage & Zielsetzung

Kundenseitige Service Calls mit Fragen z.B. zur Produktaktivierung gehören zu den wesentlichen Kostenfaktoren vieler Dienstleistungsanbieter im digitalen Umfeld. Um die Zufriedenheit beim Kunden zu erhöhen und gleichzeitig unnötige Calls und Kosten einzusparen sollen im Rahmen eines Data Science / Machine Learning Projektes die wesentlichen Faktoren identifiziert werden.

Ziel war es die wesentlichen Merkmale & Treiber für kundenseitige Service Calls zu identifizieren. Um mit entsprechenden Maßnahmen diese Service Kontakte zu minimieren. Um dieses Ziel schnell und effizient zu erreichen, wurde entlang der gesamten Customer Journey optimiert. Neben Prozessverbesserungen wurde stark auf Self-Service Tools gesetzt.

Leistungsbeschreibung

  • Explorative Data Analytics
  • Umfangreiches, mehrstufiges Feature Engineering
  • Anwendung von Machine Learning Techniken zur Identifikation relevanter Call Treiber
  • Priorisierung und Gewichtung der Merkmale & Treiber
  • Ableitungen geeigneter Maßnahmen, gemeinsam mit den Business Ownern
  • Kontinuierliche Messung & Reporting der umgesetzten Maßnahmen

Ergebnis

Ergebnis ist ein Call-Treiber Modell, welches die wesentlichen Faktoren für kundenseitige Service Calls identifiziert. Mit Hilfe dieses Modells konnten Maßnahmen priorisiert und umgesetzt werden.

Pro Jahr konnten somit Ausgaben für die Call-Center um über 10% gesenkt werden. Gleichzeitig wurde dadurch die Customer Experience optimiert, wodurch einen positiven Effekt auf den Net-Promoter Score erzielt wurde.

Projekt Details


Branche: Telekommunikation, IT, Hosting

Topic: Data Engineering, Data Science, Data Analytics, Machine Learning

Tools: SQL, Hadoop, Spark, R-Studio

Projektumfang: 9 Monate

Projektlaufzeit: 12 Monate

Esentri
Matthias Wurdig Senior Consultant Data Science