Wir veröffentlichen Bewertungen nur mit ausdrücklicher Zustimmung. Die Firmennamen wurden teilweise auf Wunsch anonymisiert.
Wir hatten drei Jahre lang versucht, unsere Retourenquote mit internen Regeln zu senken. Ai Foresight Trust hat ein Prognosemodell gebaut, das pro Bestellung die Rücksendewahrscheinlichkeit schätzt. Seit sechs Monaten passen wir auf dieser Basis unsere Produktempfehlungen an. Die Retourenquote ist von 24 % auf 17 % gefallen.
Unser Kundenservice bearbeitet täglich 400 E-Mails. Das Team von Ai Foresight Trust hat ein Klassifikationsmodell entwickelt, das eingehende Nachrichten automatisch der richtigen Abteilung zuordnet. Die durchschnittliche Erstantwortzeit ist von 14 Stunden auf 4 Stunden gesunken, weil Anfragen nicht mehr in falschen Postfächern landen.
Die Machbarkeitsprüfung war ehrlich. Ai Foresight Trust hat uns gesagt, dass unser erstes Projekt (Preisoptimierung) mit den vorhandenen Daten nicht sinnvoll umsetzbar ist. Stattdessen haben sie ein Nachfrageprognose-Modell vorgeschlagen, das tatsächlich funktioniert. Wir bestellen jetzt 15 % weniger Überschussware pro Saison.
Wir sind ein Maschinenbauer mit 120 Mitarbeitenden. Sensordaten unserer CNC-Fräsen werden jetzt in Echtzeit ausgewertet. Wenn ein Werkzeug ungewöhnliche Vibrationen zeigt, erhalten unsere Techniker eine Warnung, bevor das Teil ausfällt. Im ersten Jahr haben wir acht ungeplante Stillstände vermieden, das entspricht ungefähr CHF 180 000 eingesparten Kosten.
Ein mittelgrosser Sachversicherer in der Region Basel erhielt täglich rund 350 Schadenmeldungen per Post und E-Mail. Jede Meldung musste manuell geöffnet, gelesen und in das Schadensystem eingegeben werden. Ein Sachbearbeiter brauchte im Schnitt elf Minuten pro Meldung. Bei 350 Meldungen am Tag waren das über 60 Personenstunden täglich.
Wir haben eine Pipeline aus OCR (optische Zeichenerkennung) und einem trainierten Sprachmodell aufgebaut. Die OCR-Komponente liest gescannte Dokumente und extrahiert den Text. Das Sprachmodell identifiziert dann Schlüsselfelder: Policennummer, Schadendatum, Schadenart, geschätzter Betrag und Kontaktdaten des Versicherten. Diese Felder werden automatisch in das bestehende Schadensystem geschrieben. Ein Sachbearbeiter prüft nur noch die vom Modell als unsicher markierten Fälle (etwa 12 % der Meldungen).
Die manuelle Bearbeitungszeit pro Meldung sank von elf Minuten auf unter zwei Minuten. Das Versicherungsunternehmen konnte fünf Sachbearbeiter in andere Abteilungen versetzen, wo sie komplexere Fälle bearbeiten. Die Fehlerquote bei der Dateneingabe ging von 6,3 % auf 1,1 % zurück, weil Tippfehler bei manueller Eingabe wegfielen. Das Projekt dauerte von der Machbarkeitsprüfung bis zum Produktivbetrieb 14 Wochen.
Nicht jeder Kunde möchte eine ausführliche Fallstudie veröffentlichen. Hier sind kürzere Rückmeldungen aus den letzten zwölf Monaten.
Wir haben Ai Foresight Trust für ein Pilotprojekt engagiert: automatische Kategorisierung von Supporttickets. Nach sechs Wochen lief das Modell. Die Trefferquote liegt bei 89 %, und unser Supportteam spart pro Woche etwa zwölf Stunden manuelle Zuordnung.
Die Zusammenarbeit war unkompliziert. Besonders geschätzt habe ich, dass das Team bei der Machbarkeitsprüfung offen gesagt hat, welche unserer Ideen realistisch sind und welche nicht. Das hat uns viel Geld gespart, weil wir kein Projekt gestartet haben, das wahrscheinlich gescheitert wäre.
Haben Sie Fragen zu einem bestimmten Anwendungsfall? Schreiben Sie uns, und wir schildern Ihnen vergleichbare Projekte aus Ihrer Branche.