Hintergrund: Ein E-Commerce-Anbieter in der Wachstumsphase
Dieser Fall ist ein Composite aus Mustern, die Forfis in der Praxis beobachtet hat. Wir benennen keine echten Kunden, um die Vertraulichkeit der Projekte zu wahren. Die beschriebene Firma ist ein fiktives, aber plausibles Unternehmen, das die typischen Herausforderungen eines E-Commerce-Anbieters in Deutschland mit 51 bis 200 Mitarbeitern widerspiegelt. Die Zahlen und Metriken basieren auf realistischen Schätzungen aus vergleichbaren Projekten und dienen der Illustration der Effekte, nicht der exakten Wiedergabe eines einzelnen Falls.
Herausforderung: Fragmentierte Daten und steigende Kosten
Die Firma, ein Online-Händler für Outdoor-Ausrüstung mit Sitz in München, stand vor einem akuten Problem: Die First-Response-Zeit im Support lag bei durchschnittlich 45 Minuten, die Fehlerquote bei 12 %. Der Druck kam von mehreren Seiten. Erstens drohte eine Vertragsstrafe durch einen großen B2B-Kunden, der eine SLA-Verletzung bei der Reaktionszeit geltend machen konnte. Zweitens fehlten zwei Compliance-Experten, die für die Prüfung von Vertragsentwürfen und die Beantwortung von Rechtsfragen zuständig waren. Drittens stiegen die Kosten pro Support-Ticket durch die steigende Anzahl an Anfragen, die durch die saisonale Nachfrage im Herbst getrieben wurden. Die bestehende Infrastruktur bestand aus einem Salesforce-CRM, einem SAP-BW-System und Slack als primärem Kommunikationskanal. Die Daten waren fragmentiert, und die Suche in internen Dokumenten war zeitaufwendig.
Ansatz: Fixed-Scope-Pilot mit On-Premise-LLM
Forfis startete mit einem Prozess-Audit in Woche 1 und 2, um die Workflows zu identifizieren, die für die Automatisierung geeignet waren. Der Fokus lag auf der Beantwortung von Standardfragen im Support, der Anreicherung von Kundendaten im CRM und der Suche in internen Compliance-Dokumenten. Die Architektur wurde bewusst model-agnostic gestaltet: Für die interne Wissenssuche und die Datenanreicherung wurde ein Open-Weight-Modell (Llama 3 70B) auf der eigenen Hardware des Kunden betrieben, um sensible Daten nicht den Standort verlassen zu lassen. Die Integration erfolgte über die nativen APIs von Slack und Salesforce. Die Human-in-the-Loop-Strategie war standardmäßig aktiviert: Der LLM erstellte einen Entwurf, der von einem Mitarbeiter geprüft und freigegeben wurde, bevor er an den Kunden oder in das CRM geschrieben wurde. Die Datenanreicherung umfasste die Ergänzung fehlender Felder (Kundenkategorie, Vertragsstatus, Compliance-Tag) und die Normalisierung von Formatierungen.
Ergebnis: Messbare Reduktion der Bearbeitungszeit
Nach 12 Wochen war der Pilot abgeschlossen. Die First-Response-Zeit sank von 45 Minuten auf 8 Minuten, was einer Reduktion von 82 % entspricht. Die Fehlerquote ging von 12 % auf 2 % zurück. Die Kosten pro Support-Ticket sanken um 35 %, da weniger hochqualifizierte Mitarbeiter für Routineanfragen gebunden waren. Die interne Wissenssuche, die zuvor durchschnittlich 15 Minuten pro Anfrage dauerte, wurde auf 30 Sekunden reduziert. Die Datenanreicherung im CRM erfolgte nun automatisch, und die Compliance-Abteilung konnte sich auf komplexe Fälle konzentrieren. Die Messung erfolgte über ein Before/After-Baseline-Setup, das die Metriken über 4 Wochen vor und nach der Implementierung erfasste. Die Ergebnisse wurden in einem Dashboard visualisiert, das die Reduktion der Bearbeitungszeit und die Senkung der Fehlerquote quantifizierte.
Erkenntnisse: Was ähnliche Teams daraus lernen können
Die wichtigsten Erkenntnisse aus dem Piloten lassen sich auf ähnliche Teams übertragen. Erstens: Der Prozess-Audit ist der kritischste Schritt. Wenn die Datenquellen und API-Zugänge nicht klar definiert sind, verzögert sich die Implementierung erheblich. Zweitens: Die Human-in-the-Loop-Strategie ist kein Nachteil, sondern ein Sicherheitsmechanismus, der das Vertrauen der Mitarbeiter in die Automatisierung stärkt. Drittens: Die Modell-Agnostik ist ein strategischer Vorteil. Sie ermöglicht es, zwischen Cloud-APIs und On-Premise-Modellen zu wechseln, ohne die Anwendungsschicht anzufassen, was bei sich ändernden Compliance-Anforderungen oder Kostenstrukturen entscheidend ist. Viertens: Die Messbarkeit der Ergebnisse ist der Schlüssel zur Entscheidung über den Rollout. Ohne ein klares Before/After-Baseline-Setup ist es schwierig, den ROI der Automatisierung zu belegen.
Leave a Reply