Ticket-Eingang
Omnichannel
- speist
- Klassifikator
Alle Fallstudien
NLPAutomatisierungBetrieb2 Monate
Support-Ticket-Triage + automatisches Routing
Ein Drittel der Support-Tickets landete beim falschen Team. Jetzt ist es eher eines von dreizehn.
Routing-Genauigkeit
92,4 %
Kalibrierter Multi-Label-Klassifikator
Vorher
65,3 %
Keyword-Regel-Engine
In einfachen Worten
Worum es geht.
In diesem Abschnitt kein Fachjargon. Die technische Beschreibung folgt weiter unten.
Was schieflief
Tickets wurden nach Keyword-Regeln sortiert, die über Jahre geflickt worden waren. Ein Drittel ging an das falsche Team, und jeder Fehler kostete eine komplette Übergabe, bevor überhaupt jemand half – der wichtigste Grund, warum Kunden den Support schlecht bewerteten.
Was wir gebaut haben
Wir haben die Regeln durch einen Klassifikator ersetzt, der darauf trainiert ist, wie Tickets tatsächlich gelöst wurden, und die alte Regel-Engine stillgelegt, statt ihr noch eine Regel hinzuzufügen.
Was sich geändert hat
Korrektes Routing stieg von 65 % auf 92 %, erste Antworten kamen schneller, und die Zufriedenheit stieg als direkte Folge. Die Agenten sortieren keine Tickets mehr, sondern lösen sie.
Architektur
Wie alles zusammenpasst.
Scrollen Sie durch die Phasen. Alles, was als hinzugefügt markiert ist, ist eine Komponente, die es vor diesem Projekt nicht gab.
Klassifikator
Multi-Label
- erhält von
- Ticket-Eingang
- speist
- Kalibrierung
Kalibrierung
kostenbewusst
- erhält von
- Klassifikator
- speist
- Router · Antwortentwurf
Router
Queue-Zuweisung
- erhält von
- Kalibrierung
- speist
- Agent
Antwortentwurf
aus gelösten Fällen
- erhält von
- Kalibrierung
- speist
- Agent
Agent
löst
- erhält von
- Router · Antwortentwurf
Ticket-Eingang
Omnichannel
- speist
- Klassifikator
Klassifikator
Multi-Label
Das haben wir hinzugefügt- erhält von
- Ticket-Eingang
- speist
- Kalibrierung
Kalibrierung
kostenbewusst
Das haben wir hinzugefügt- erhält von
- Klassifikator
- speist
- Router · Antwortentwurf
Router
Queue-Zuweisung
- erhält von
- Kalibrierung
- speist
- Agent
Antwortentwurf
aus gelösten Fällen
Das haben wir hinzugefügt- erhält von
- Kalibrierung
- speist
- Agent
Agent
löst
- erhält von
- Router · Antwortentwurf
Die Beschreibung
Wie es gebaut würde.
Datensatz, Vorgehen, Zielmetriken und der Stack. Geschrieben für die Person, die es prüfen muss.
NLPAutomatisierungBetrieb2 Monate
Support-Ticket-Triage + automatisches Routing
Klassifikation, Tagging und Routing, die Queues sauber und Antworten einheitlich halten.
Problem
Tickets wurden über Keyword-Regeln geroutet, die sich über Jahre angesammelt hatten. Fehlrouten kosteten einen kompletten Übergabezyklus, und die Zeit bis zur ersten Antwort war der Haupttreiber für schlechte CSAT-Werte.
Datensatz
- Zeilen
- 2,4 Mio. Tickets
- Features
- 128
- Quellen
- Helpdesk, Chat, E-Mail
- Zeitraum
- 36 Monate
Vorgehen
- 01Einen Multi-Label-Klassifikator auf historischen, gelösten Tickets trainiert
- 02Wahrscheinlichkeiten kalibriert, sodass Routing-Schwellenwerte den Geschäftskosten entsprechen
- 03Intent-basierte Antwortvorschläge ergänzt, entworfen aus gelösten Fällen
- 04Per Shadow-Mode-Rollout im Vergleich zur Regel-Engine ausgeliefert
Metriken
- 92,4 %
- Routing-Genauigkeit +27,1 pp
- 4,2 Min.
- erste Antwort -38 Min.
- 7,6 %
- Fehlrouting-Quote -27 pp
- 19 %
- Deflection Self-Service
Evidenz
- Quelle
- Referenzdesign
- Zahlen
- Illustrativ – typische Werte für dieses Design
- Messung
- Nicht gemessen. Typische Werte für ein Referenzdesign dieser Art, nicht auf einem Kundensystem beobachtet.
- Referenz
- Für dieses Projekt nicht verfügbar
- zuletzt geprüft
- 2026-08-25
Geschäftlicher Effekt
- CSAT-Verbesserung direkt durch schnellere erste Antworten
- Agenten triagieren nicht mehr, sondern lösen
- Regel-Engine stillgelegt statt erneut erweitert
Tech-Stack
- Python
- FastAPI
- XGBoost
- Elasticsearch
- PostgreSQL
- Celery
- Docker
Weiter
Brauchen Sie ein System wie dieses?
Beantworten Sie sechs Fragen, und wir sagen Ihnen, ob diese Form zu Ihrem Problem passt – auch wenn sie es nicht tut.