LLM-gestützte Analyse von Tickets im Außendienstmanagement
Fieldcode ist eine cloudbasierte Webanwendung zur Verwaltung von Außendiensteinsätzen. Die in Nürnberg ansässige und international tätige Fieldcode GmbH bedient hauptsächlich IT-Outsourcing-Unternehmen sowie Hersteller, welche die Plattform des Unternehmens zur Koordination von Außendiensteinsätzen verwenden. Im Rahmen des gemeinsamen KI-Pilotprojekts wird ein LLM-System (Large Language Model) entwickelt, um die Ticketdiagnose zu optimieren. Dieses System soll automatisch Empfehlungen liefern, ob ein Problem remote gelöst werden kann oder ein Außendiensteinsatz sowie bestimmte Ersatzteile erforderlich sind.
Webanwendung zur Verwaltung von Außendiensteinsätzen aus Franken
Fieldcode ist eine führende Software für das Außendienstmanagement, die auf 20 Jahren weltweiter Erfahrung beruht. Sie bietet einen „Zero-Touch“-Prozess, der die Bearbeitung von Tickets von der Erstellung bis hin zu den Techniker*innen ohne manuelle Eingriffe automatisiert und die Arbeit der Disponenten erleichtert. Als kosteneffizienteste Lösung auf dem Markt bietet Fieldcode eine flexible Preisgestaltung pro Nutzung und erweiterte BI-Prognosen. Sie unterstützt Unternehmen bei der Verwaltung des gesamten Lebenszyklus ihres Außendienstes und sorgt so für optimale Effizienz und verbesserte Kundenzufriedenheit.
Herausforderung: Optimierung der Ticketdiagnose
Das Unternehmen achtet darauf die Außendiensteinsätze so effizient und erfolgreich wie möglich zu planen und durchzuführen, dabei sind vor allem die First Fix Rate (erfolgreiche Behebung des Problems im ersten Einsatz, keine weiteren Fahrten notwendig) und die Passfähigkeit der ausgewählten Ersatzteile von Bedeutung. Die richtige Herausarbeitung der Anweisungen und Ersatzteile während der Bearbeitung des Tickets sind zwingend notwendig, um Einsätze beim ersten Mal erfolgreich lösen zu können und somit weitere Einsätze zu vermeiden. Vor allem die Auswahl der benötigten Ersatzteile gestaltet sich sehr schwierig, daher werden oft mehr Ersatzteile bestellt als eigentlich nötig sind. Zudem werden teilweise Ersatzteile bestellt und Techniker entsandt, obwohl das Problem auch remote gelöst werden kann. Fieldcode schätzt, dass die Hälfte aller bestellten und versandten Ersatzteile nicht benötigt wird. Ein großer Teil dieser ungenutzten Ersatzteile wird zurückgesendet und wiederaufbereitet, während der Rest entsorgt wird.
Prozessoptimierung mit Hilfe von KI
Das KI-Pilotprojekt mit dem Green-AI Hub Mittelstand optimiert diese Anwendung, da Künstliche Intelligenz wesentlich schneller und auf umfassendere Informationen zugreift als beispielsweise Sachbearbeiter*innen. Dazu kommen sogenannte Large Language Models (LLM, auf Deutsch: große Sprachmodelle) zum Einsatz. Diese Modelle sind besonders gut darin, Sprache zu verstehen und zu verarbeiten, und werden daher verwendet, um die Ticketbeschreibung – also die Beschreibung des jeweiligen Problems – zu analysieren.
Darüber hinaus muss das Sprachmodell mit spezifischem Expertenwissen angereichert werden. Um dies ressourcenschonend umzusetzen, wird das Verfahren der Retrieval-Augmented Generation (RAG) integriert. Dabei werden ergänzende Informationen, wie historische Tickets und Gebrauchsanweisungen, in einer Datenbank gespeichert und effizient abgerufen.
Prozessoptimierung durch KI-basierte Analyse von Tickets im Außendienstmanagement
Die Optimierung der Prozesse in den Bereichen Transport und Service ermöglicht eine effizientere und ressourcenschonendere Arbeitsweise. Mitarbeitende werden bei der Analyse der Tickets durch das KI-System unterstützt, sodass das Problem zielgerichteter gelöst werden kann. Die Verbesserungen führen zu weniger Fahrten der Technikerinnen und Techniker zu Kund*innen, da die First-Fix-Rate gesteigert werden soll und eine mögliche Fernbearbeitung besser erkannt wird.
Ressourceneinsparungen durch den Einsatz Künstlicher Intelligenz
Die KI-Lösung führt dazu, dass weniger Fahrten zu Kund*innen notwendig sind, wodurch weniger Kraftstoff verbraucht wird. Die gezieltere Auswahl an Ersatzteilen verringert die Anzahl an versendeten Ersatzteilen. Dies führt wiederum dazu, dass weniger Teile aufbereitet oder entsorgt werden und Transportschäden seltener auftreten.
Technologie
Fähigkeit der KI: analysieren
KI-Modell: Large Language Models (LLM), Retrieval-Augmented Generation (RAG)
Wertschöpfung
Phase: Service
Ziel der KI: Optimierung durch präzisere Analyse von Tickets und Ableiten relevanter Informationen
Ressourceneffizienz
Einsparung von CO2, da weniger Fahrten zu Kund*innen notwendig sind und von Ersatzteilen bzw. Materialien durch eine bessere Auswahl
Unternehmen
Branche: Außendienstmanagement (FSM) Software / Software-as-a-Service (SaaS)
