Hintergrund
Unser Kunde, ein führender Hersteller von schweren Lastkraftwagen, hat ein umfangreiches Transformationsprogramm eingeleitet, um die Effizienz und Kundenorientierung zu verbessern. Ein wichtiger Bestandteil dieser Umstrukturierung war die Automatisierung von Verwaltungsaufgaben, um Prozesse zu rationalisieren und die Reaktionsfähigkeit zu verbessern.
In seiner Garantieabteilung verwendete der Kunde einen manuellen Prozess zur Priorisierung und Prüfung von Garantieanträgen. Dies war zeitaufwändig und fehleranfällig. Infolgedessen wurden häufig die falschen Anträge priorisiert, und viele der manuell geprüften Anträge wurden genehmigt. Dies führte zu höheren Kosten und geringerer Kundenzufriedenheit.
change2target wurde beauftragt, den Kunden bei der Automatisierung dieses Prozesses zur Prüfung von Garantieanträgen zu unterstützen.
Ziele
Das Ziel unseres Auftrags bestand darin, den Kunden hauptsächlich in zwei Bereichen zu unterstützen:
- Automatisierung der Prüfung von Gewährleistungsanträgen: Der Hauptfokus lag darauf, die Prüfung von Garantie- und Serviceanträgen zu automatisieren, um manuelle und zeitaufwändige Prozesse zu eliminieren.
- Zentralisierung der Prüfung von Serviceanträgen: Bis zum Projektstart wurden die Serviceanträge lokal in den nationalen Vertriebsgesellschaften geprüft. Um die Prüfung von Serviceanträgen automatisieren zu können, mussten die Prozesse für diese Art von Anträgen organisatorisch und prozesstechnisch zentralisiert werden.
Lösung
Um die oben genannten Ziele zu erreichen, wurden Modelle für Maschinelles Lernen (ML) zur Priorisierung von Garantieanträgen implementiert. Die ML-Modelle wurden anhand historischer Antragsdaten trainiert, darunter Informationen zu Anspruchsart, Fahrzeugmodell und -jahr sowie zur Servicehistorie des Kunden. Das ML-Modell war in der Lage, Muster in den Daten zu erkennen, die zur Vorhersage der Wahrscheinlichkeit der Genehmigung eines Antrags verwendet werden konnten. Ziel war es, die ML-Modelle in verschiedenen Stufen einzusetzen – von der Identifizierung der Risiken von Schadensfällen (Stufe 1) über Empfehlungen für die Genehmigung (Stufen 2 und 3) bis hin zu eigenen Entscheidungen in Abhängigkeit von dem durch die Modelle berechneten Konfidenzwert (Stufe 4).
Ansatz
change2target unterstützte das übergreifende Projektmanagement des Kunden, um das gesamte Transformationsprogramm zu überwachen und die Ausrichtung an den strategischen Zielen des Kunden sicherzustellen. Unser Hauptaugenmerk lag jedoch auf vier wesentlichen Elementen des Programms:
Machine Learning-Integration
Unser DevOps-Team unterstützte den Kunden bei der Koordination und Integration der Fachabteilungen und des IT-Teams, das mit der technischen Integration der ML-Modelle in die IT-Landschaft betraut war. Zusätzlich haben wir die Qualität der Integration sichergestellt.
Auch wenn der Proof of Concept für ein ML-Modell bereits vorlag, als wir hinzugezogen wurden, mussten Details und Ideen entwickelt werden, wie man von Stufe eins zu den Stufen zwei bis vier kommt. Mit unserer Erfahrung in den Bereichen maschinelles Lernen / KI und After-Sales-Prozesse und -Anforderungen waren wir in der Lage, den Kunden bei der Definition der Anforderungen für die verschiedenen Stufen des Automatisierungsprozesses zu unterstützen.
Integration der Prüfung von Serviceanträgen
Während die Prüfung von Gewährleistungsanträgen bereits von einem zentralen Team durchgeführt wurde, musste diese Zentralisierung für Serviceverträge noch umgesetzt werden. Sowohl die zentrale Organisation als auch die Vertriebsgesellschaften in den Ländern mussten darauf vorbereitet werden. Unter anderem musste das Know-how der lokalen Gesellschaften an das zentrale Team weitergegeben werden. In Workshops und mehreren Online-Sitzungen klärten unsere Berater mit den verschiedenen Beteiligten, welche Rollen und Verantwortlichkeiten, Kompetenzen und strukturellen Änderungen erforderlich waren. Außerdem verbrachten wir viel Zeit damit, den Nutzern die unterschiedliche Funktionsweise der ML-Modelle bei der Prüfung von Anträgen zu erläutern.
Verhaltensänderung managen
Ein wesentlicher Teil des Projekts bestand darin, den organisatorischen Wandel zu begleiten. Sehr oft führt die Einführung von KI in etablierten Unternehmen zu Ängsten in der Belegschaft. Was wird mit meinem Arbeitsplatz passieren? Kann ich mit den Veränderungen Schritt halten? Muss ich meine Komfortzone verlassen und meine über viele Jahre erworbene Routine aufgeben? All diese Fragen wurden auch in diesem Projekt gestellt, ohne dass sie in dieser Form offen formuliert wurden.
Ein großer Teil des Projekts war geprägt von Kommunikation: Wir haben gezeigt, wie sich die Rollen und Verantwortlichkeiten ändern werden. Die Sachbearbeiter wurden darauf vorbereitet, dass sie sich zu Prüfern des maschinellen Lernwerkzeugs entwickeln mussten.
Die Kundenteams wurden gecoacht, um Widerstände gegen Veränderungen zu überwinden, Bedenken auszuräumen und Begeisterung für das neue System zu wecken. Sie wurden bei der Anpassung an ihre neuen Aufgaben und Zuständigkeiten laufend unterstützt, um eine Kultur der kontinuierlichen Verbesserung zu fördern.
Sicherstellung operativer Ergebnisse
Während des gesamten Projekts lag der Schwerpunkt auf der Erzielung operativer Ergebnisse im Rahmen des bestehenden Business Cases. Es wurden wichtige Leistungsindikatoren festgelegt, überwacht und zur Entscheidungsfindung herangezogen. Regelmäßige Überprüfungen und Anpassungen wurden vorgenommen, um sicherzustellen, dass das Projekt mit seinen Zielen und den Geschäftszielen des Kunden im Einklang stand.
Ergebnisse
Nach der Implementierung des ML-Modells konnte sich unser Kunde auf die risikoreichen Anträge konzentrieren, die am ehesten abgelehnt werden würden. Dies ermöglichte es dem Garantie-Team, effizienter und effektiver zu arbeiten, und es reduzierte auch das Gesamtrisiko des Unternehmens. Darüber hinaus trug das ML-Modell zur Kostensenkung bei, da es mehr fehlerhafte Anträge identifizierte und ablehnte als der vorherige manuelle Prozess.
Der ganzheitliche Ansatz von change2target in Bezug auf Projektmanagement, Prozessverbesserung und Verhaltensänderung sorgte dafür, dass der Kunde seine Ziele einer höheren Effizienz und einer stärkeren Kundenorientierung erreichte.
