Kontaktvorhersage für Telefónica – Service, bevor der Anruf kommt

Intro: Machine-Learning-Lösungen nach Mass

Als einer der führenden Telekommunikationsanbieter in Deutschland steht die Telefónica Germany GmbH & Co. OHG vor der ständigen Herausforderung, immense Datenmengen für die Kontaktoptimierung und die Verbesserung des Kundenservices zu nutzen.

In einer langjährigen Partnerschaft unterstützt Codify Telefónica mit Machine-Learning- und Software-Expertise, um massgeschneiderte ML-Lösungen zur Serviceoptimierung zu entwickeln und zu betreiben. Die ML-Anwendungen verbessern die Servicequalität von Millionen Kunden, indem proaktiv relevante Informationen im Online-Portal und in der App bereitgestellt werden – individuell zugeschnitten auf das Kundenanliegen.

Zusätzlich entwickelte Codify Anwendungen für die gezielte Verbesserung des Kundenerlebnisses, etwa durch die Anzeige von prognostizierten Hotline-Wartezeiten in Web und App oder durch bedürfnisorientiertes Routing des Anrufers an der Hotline. Ergänzend unterstützte Codify Telefónica bei der Applikationsmigration von On-Prem auf Microsoft Azure.

Ein wichtiges Ergebnis dieser Zusammenarbeit ist die Vorhersage von Hotlinekontakten: Ein ML-Modell erkennt das Kundenanliegen nahezu in Echtzeit und stellt dem Kunden in der Folge proaktiv die benötigten Informationen bereit. Dieser Use Case wird im Folgenden genauer vorgestellt.

Challenge: Eventketten-Modellierung, Explainable AI, Near Realtime

Bei der Kontaktvorhersage steht der Kunde mit seinen Anliegen im Vordergrund. Durch die frühzeitige Bereitstellung relevanter Informationen sollen Anrufe vermieden werden, die sich leicht online klären lassen – etwa bei Fragen zu Rechnungen, Bestellungen oder Umzug.

Für die Entwicklung einer massgeschneiderten ML-Lösung im Enterprise-Umfeld traten folgende Herausforderungen auf:

• Near Real-Time Prediction für mehr Proaktivität: Damit die ML-Anwendung das Anliegen rechtzeitig erkennt, müssen individuelle Informationen nahezu in Echtzeit bereitstehen – bevor der Kunde anruft. Dieser Aktualitätsanspruch bringt entsprechende Anforderungen technologischer und architektonischer Art mit sich.
• Eventketten-Modellierung für die Vorhersage individueller Customer Journeys: Für die Klassifizierung des Kundenanliegens ist eine Eventketten-Betrachtung von zentraler Bedeutung. Sie geht allerdings mit erhöhtem Komplexitätsmass einher. Ausserdem weist die Verteilung der Kundenanliegen eine starke Klassen-Imbalance auf, die es bei der Modellierung zu berücksichtigen gilt.
• Explainable AI für das Verständnis komplexer Zusammenhänge: Bei aller Vorhersagekraft eines Modells stellt sich stets die Frage nach dem Warum. Besonders bei Event-Modellen ergibt sich eine erhöhte Komplexität, und die Entscheidung beziehungsweise die Prognose des Modells muss nachvollzogen werden können.

Approach: In drei Phasen vom Use Case zum Betrieb

Bei der Entwicklung der Kontaktvorhersage ist Codify iterativ vorgegangen:

• Phase 1 – Use-Case-Abgrenzung & Proof of Concept: In gemeinsamen Workshops mit den Fachexperten von Telefónica wurden die vielversprechendsten Anwendungsfälle identifiziert. Für einen ausgewählten Use Case wurde ein schlanker PoC mit Kontrollgruppenkonzept entwickelt, um die technische Machbarkeit und den potenziellen Business Value schnell abschätzen zu können.
• Phase 2 – Modellentwicklung und Training: Für die Eventketten-Modellierung wurde ein LSTM-Modell gewählt. Besondere Vorsicht galt beim Training den zahlreichen Event-bezogenen Modell-Hyperparametern sowie der Berücksichtigung der ausgeprägten Klassen-Imbalance.
• Phase 3 – Deployment & Monitoring: Für die gut prognostizierbaren Kundenanliegen wurde das Modell ausgerollt, sodass dem Kunden entsprechende Informationen im Online-Portal und in der App ausgespielt wurden. Eine automatisierte CI/CD-Pipeline ermöglicht eine weitere kontinuierliche Optimierung des Modells und den Rollout weiterer Massnahmen. Ein umfassendes Monitoring und Alerting sichern den stabilen und erfolgreichen Betrieb der Produktivapplikation.

Outcome: Datengestützt, servicestark, messbar

Dieses innovative ML-Projekt brachte tiefe Erkenntnisse und grossen Mehrwert mit sich:

• Datengestützte Entscheidungen: Die Fachabteilungen erhalten präzise, datenbasierte Einblicke und Prognosen, die eine signifikant verbesserte strategische Planung ermöglichen.
• Höhere Servicequalität: Besserer, bedarfsorientierter Kundenservice.
• Nachweislicher Business Value: Vermiedene Hotline-Kontakte.