Das Erfahrungswissen erfahrener Ingenieure wird zur Wissensdatenbank: Erstlösungsquote um rund 15 Prozentpunkte gestiegen
Ein Unternehmen, das Geschäftskunden technische Produkte und langfristigen Support bietet, strukturiert Produktunterlagen und historische Tickets und baut eine Wissenssuche mit Freigabeprozess, Berechtigungen und Quellenangaben auf. Die Erstlösungsquote steigt um rund 15 Prozentpunkte, neue Mitarbeitende sind deutlich schneller eingearbeitet.
Ein Unternehmen, das Geschäftskunden technische Produkte und langfristigen After-Sales-Support bietet, hat eine große Zahl von Kundenproblemen, Produktdokumenten und technischen Lösungen angesammelt.
Dennoch hängt der Kundenservice stark von wenigen erfahrenen Mitarbeitenden ab.
Wenn Neue auf ein Problem stoßen, müssen sie immer wieder in alten E-Mails, Chatgruppen, dem internen Wiki und den Produktdokumenten suchen.
Selbst wenn ein Kunde dieselbe Frage schon einmal gestellt hat, untersuchen unterschiedliche Mitarbeitende sie mitunter erneut.
Das Unternehmen verfügt über reiche Erfahrung aus der Vergangenheit, aber über kein stabiles, pflegbares Wissenssystem der Organisation.
Projektergebnisse: Erstlösungsquote ca. +15 Punkte; durchschnittliche Bearbeitungsdauer ca. −35 %; Genauigkeit der Quellenangaben in Antworten ca. 95 %
Die Herausforderungen
Wissensquellen sind verstreut
Produkthandbücher, technische Lösungen, Arbeitsanweisungen und historische Kundenfälle liegen in verschiedenen Werkzeugen.
Ohne einheitliche Klassifizierung und Versionsverwaltung können die Mitarbeitenden schwer beurteilen, welche Unterlage aktuell ist.
Kundenprobleme und Wissensbestände sind entkoppelt
Das Ticketsystem erfasst Probleme und Lösungen, überführt sie aber nicht fortlaufend in wiederverwendbare Standardlösungen.
Direkte KI-Suche kann Berechtigungsrisiken erzeugen
Zwischen verschiedenen Kunden kann es geschäftlich sensible Informationen geben, und manche interne Dokumente sollten nicht allen Mitarbeitenden offenstehen.
Ohne Zugriffskontrolle kann eine einheitliche Wissenssuche das Risiko von Informationsabfluss mit sich bringen.
Die digitale Lösung von SHEPHARD
Ein technisches Kundenproblem: Vergleich vor und nach dem Go-live
Schritt 1: Eine Bestandsaufnahme der Wissensbestände im Unternehmen durchführen
Erfasst werden Produktunterlagen, Standardarbeitsanweisungen, historische Tickets, Aufzeichnungen aus dem Kundenservice und interne technische Dokumente.
Die Einordnung erfolgt nach Wissensart, Produktversion, zutreffenden Kunden und Anwendungsszenario.
Schritt 2: Einen Governance-Mechanismus für Wissen aufbauen
Für Wissensinhalte werden Verantwortlicher, Geltungsbereich, Version, Prüfstatus und Gültigkeitsdauer festgelegt.
Wertvolle Lösungserfahrungen aus historischen Tickets werden erst nach einer Prüfung zu offiziellen Wissenseinträgen.
Veraltete oder ersetzte Dokumente werden eindeutig gekennzeichnet, damit sie nicht länger als gültige Arbeitsgrundlage dienen.
Schritt 3: Eine berechtigungsbewusste Wissenssuche bereitstellen
Strukturierte Suche und RAG (Retrieval-Augmented Generation) kombiniert ermöglichen es den Mitarbeitenden, internes Unternehmenswissen in natürlicher Sprache abzufragen.
Die Suche übernimmt die Zugriffsrechte der Nutzenden und beschränkt den Informationszugriff über Kunden und Abteilungen hinweg.
Antworten der KI enthalten zugleich Dokumentquelle und Versionsangabe, damit sie sich manuell überprüfen lassen.
Schritt 4: CRM und Service-Tickets verbinden
Das System sucht anhand von aktuellem Kunden, Produktmodell, Problemart und Servicehistorie passende Lösungen.
Servicemitarbeitende können direkt ähnliche Fälle, standardisierte Prüfabläufe und Hinweise einsehen.
Schritt 5: Einen Mechanismus zur kontinuierlichen Verbesserung des Wissens etablieren
Erfasst wird, welche Probleme sich mit vorhandenem Wissen lösen lassen und welche weiterhin an Experten eskaliert werden müssen.
Häufige ungelöste Probleme gehen an die Wissensverantwortlichen zurück, damit Inhalte laufend ergänzt und überarbeitet werden.
Für Vorgänge mit klarer Autorisierung und überprüfbaren Regeln kann zusätzlich geprüft werden, die Wissenssuche an Geschäftswerkzeuge anzubinden, wobei Vorgänge mit hohem Risiko weiterhin manuell freigegeben werden.
Wissenssuche mit Quellenangaben (Darstellung beispielhaft, alle Daten fiktiv)
Vorgehen bei der Umsetzung
Zuerst wird eine Kategorie häufiger Produktfragen für einen Pilot zur Wissensaufbereitung und Suche ausgewählt.
Anhand eines manuell annotierten Fragensatzes werden Trefferquote der Suche, Genauigkeit der Antworten, Qualität der Quellenangaben und Berechtigungstrennung getestet.
Sind die Abnahmekriterien erfüllt, wird schrittweise auf weitere Geschäftsszenarien ausgeweitet.
Geschäftlicher Nutzen
Das Unternehmen macht aus persönlicher Erfahrung geprüftes, gemeinsam nutzbares Wissen der Organisation.
Neue Mitarbeitende finden schneller verlässliche Unterlagen, und erfahrene Kolleginnen und Kollegen müssen weniger Grundlagenfragen wiederholt beantworten und können sich komplexeren Kundenanforderungen widmen.
Projektergebnisse (Näherungswerte): Erstlösungsquote ca. +15 Punkte; durchschnittliche Bearbeitungsdauer ca. −35 %; Genauigkeit der Quellenangaben in Antworten ca. 95 %.
Laufend verfolgte Kennzahlen: Erstlösungsquote (FCR), durchschnittliche Bearbeitungsdauer (AHT), Wirksamkeit der Wissenssuche, Wiederverwendungsquote von Wissen, Genauigkeit der Quellenangaben in Antworten, Berechtigungsverstöße.
Was dieser Fall uns lehrt
Eine Wissensdatenbank im Unternehmen bedeutet nicht, alle Dateien in ein großes Sprachmodell hochzuladen.
Wirksame Wissensintelligenz braucht kontinuierliche Inhalts-Governance, Berechtigungsmanagement, Versionskontrolle und Qualitätsbewertung.
Nur wenn die Wissensquellen verlässlich sind, kann KI zu einem vertrauenswürdigen Hilfsmittel für die Mitarbeitenden werden.
*Zum Schutz der Kundendaten wurden die Unternehmensinformationen in diesem Fall anonymisiert; die Oberflächenansichten sind beispielhaft, die Ergebnisse gerundete Näherungswerte.*
Lebensmittelhersteller mit mehreren Produktkategorien
Chargenrückverfolgung von einem halben Tag auf 10 Minuten verkürzt: Jede Produktcharge ist nachvollziehbar
Ein Lebensmittelhersteller mit mehreren Produktkategorien verbindet Einkauf, Produktion, Lager und Auslieferung zu einer durchgängigen Datenkette: Für jede beliebige Fertigwarencharge lassen sich Rohstoffherkunft und Kundenverbleib rekonstruieren. Die Chargenrückverfolgung verkürzt sich von rund einem halben Tag auf unter 10 Minuten.
Bestand im Dreizonenlager auf den Lagerplatz genau, Kommissionierzeit im Schnitt um rund 40 % kürzer
Ein Lebensmittelgroßhändler mit Ware für Normal-, Kühl- und Tiefkühlbereich führt seine Bestände auf Lagerplatz- und Chargenebene, wickelt Wareneingang, Nachschub und Kommissionierung per PDA ab und lagert nach dem Prinzip „first expired, first out“ aus. Die durchschnittliche Kommissionierzeit sinkt um rund 40 %, der Wert der Bestände kurz vor Ablauf geht deutlich zurück.
Kundenaufträge steuern direkt die Produktionsplanung: Liefertermintreue steigt auf rund 92 %
Ein Zerspanungsbetrieb mit vielen Varianten und kleinen Losen lässt Kundenaufträge unmittelbar Materialbedarf und Kapazitätsprüfung auslösen, und die Werkstatt meldet per Terminal in Echtzeit zurück. Lieferzusagen haben eine Grundlage: Die Liefertermintreue steigt von rund 75 % auf rund 92 %, Stillstände wegen Materialmangel gehen deutlich zurück.
Ob Sie noch nach einer Richtung suchen oder bereits einen klaren geschäftlichen Bedarf haben: Wir erkunden gerne gemeinsam mit Ihnen die Möglichkeiten.
Sie wissen nicht, wo Sie anfangen sollen?
Beginnen Sie mit einem Gespräch.
In einer kostenlosen 30-minütigen Beratung mit unserem Team erfahren Sie, was die Digitalisierung Ihres Unternehmens möglich macht.
Sie haben bereits einen klaren geschäftlichen Bedarf?
Beginnen wir damit, Ihr Geschäft zu verstehen.
Schildern Sie uns die aktuelle Lage Ihres Unternehmens, Ihre Herausforderungen im Management und Ihre Entwicklungsziele. Wir zeigen Ihnen passende digitale Lösungsrichtungen auf.
