Ausgangslage
Bei der Paessler AG ist Kundenservice selbstverständlich ein wichtiges Thema. Eines der Teams im Service ist auf vertragliche Anfragen spezialisiert, d.h. Laufzeiten, Kosten, etc.
Im Rahmen eines Hackathons entstand die Idee, oft wiederkehrende Anfragenarten zu erkennen und automatisiert zu beantworten. Die gefühlte hundertste E-Mail zu Rabatten wird heute schon durch Standard-Bausteine effizient erstellt. Die Frage war, ob der Computer die Anfrage erkennen und automatisiert beantworten kann.
Umsetzung
Auf Basis eines Auszugs von 10.000 E-Mails erstellte ich einen Prototyp als Proof of Concept, um zu zeigen dass die automatisierte Erkennung von E-Mails funktioniert.
Herausforderungen waren vor allem die fehlende Klassifizierung der E-Mails. Ein vorhandenes Tag war nicht konsistent vergeben und so klassifizierte ich auf einer langen Zugfahrt etwa 2.000 E-Mails.
Dabei war ich überrascht, dass die E-Mails eine große Zahl von Spams enthielten. Spam und eine handvoll anderer E-Mail-Arten konnte ich als fachfremder Kollege erkennen und klassifizieren.
Erste Erkenntnis: 2.000 E-Mails zu klassifizieren ist ziemlich langweilig 😉
Mit einem schnell aufgesetzten Neuronalen Netz auf Basis von Keras nutzte ich meine Klassifikation zum Training. Zu meiner Überraschung funktionierte die Erkennung von Spam nach dem ersten Durchlauf bereits sehr gut. Tatsächlich erkannte mein Netz Spam besser als ich! Mit Hilfe des Netzes verbesserte ich die Klassifikation der E-Mails und auf der Basis weiter die Erkennungsrate.
Die zweite Art von E-Mails, die das Netz erkennen konnte, waren Anfragen zur Änderung von E-Mail-Adressen der Ansprechpartner. Für alle anderen Arten von E-Mails gab es zu wenige Beispiele in den 2.000 E-Mails.
Zweite Erkenntnis: Bereits ein relativ einfaches neuronales Netz ermöglicht die zuverlässige Erkennung von Spam-E-Mail.
Fazit: Das Erkennen von häufig wiederkehrenden Arten von E-Mails ist problemlos möglich.
Weiteres Vorgehen
Weiteres empfohlenes Vorgehen: Die Umsetzung des Spam-Filters reduziert den Aufwand der manuellen Posteingangs-Pflege. Diese Zeit kann dafür verwendet werden, weitere Arten von E-Mails zu klassifizieren und das Netz darauf zu trainieren. Auf diese Weise können nach und nach die häufigsten E-Mails automatisiert verarbeitet werden.
Insbesondere das Aussortieren von Spam und das Ändern von E-Mail-Adressen ist eine Tätigkeit, die wenig Kreativität benötigt und (wirklich!) langweilig ist. Zeit, die fehlt, um die anspruchsvollen E-Mails kundenorientiert zu beantworten.
Das Vorgehen wurde für weitere Bereiche empfohlen: Wo immer kognitiv wenig anspruchsvolle Tätigkeiten vorliegen, können diese automatisiert werden um Zeit für wertvolle Tätigkeiten zu gewinnen. Im Anschluss wurden einige Kandidaten identifiziert und vorgeschlagen.
PROJEKT INFO
- Kunde: Paessler AG
- Fertigstellung: 15. März 2019
- Kategorie: Deep Learning PoC
- Tags: Digitalisierung, Innovation