Die Prozesslandkarte

Problemkategorien
Sind Fehler wiederkehrend, können sie durch KI-Methoden, die mit historischen Daten trainiert wurden, automatisch erkannt werden. Tritt ein neuer Fehler auf, sucht das System nach ähnlichen vorherigen Fehlern und verknüpft sie miteinander. So entstehen die Kategorien beziehungsweise Cluster von Fehlern.

Typische Datenquellen:

• Logdateien
• visuelle Daten wie Bilder und Videos,

Typische Qualitätsanforderungen an Daten:

• Geprüfte Daten mit Zeitstempel.

Lösungskategorien
Sind die Fehler geclustert, kann die Lösung eines vorherigen Fehlers als Vorlage für ein ähnliches Problem wiederverwendet werden. Das erspart den Technikern:innen eine erneute Fehlersuche, da eine Lösung automatisch vom System vorgeschlagen wird.

Typische Datenquellen:

• Datensätze, die kategorisierte Fehler und Lösung beinhalten (als Tags), inklusive textueller Beschreibung.

Typische Qualitätsanforderungen an Daten:

• Richtigkeit und Genauigkeit der Tags
• Präzision der Beschreibungen

Ticket-Sentiment
Die automatische Erkennung von bestimmten Formulierungen in textuellen Daten lässt Rückschlüsse auf Stimmungen zu, sodass kritische Tickets identifiziert und priorisiert werden können. Die Zufriedenheit der Kunden kann so gesteigert werden. Gleichermaßen kann die Stimmungslage aller Tickets überwacht werden, um so Veränderungen der Servicequalität identifizieren zu können. Die Erkennung von kritischen Texten ist ebenfalls zu nutzen, um Tickets direkt an Servicemitarbeiter:innen weiterzuleiten, damit sie sich persönlich eines solchen Tickets annehmen können.

Typische Datenquellen:
Servicetickets mit von Kunden formulierten Freitexten

Typische Qualitätsanforderungen an Daten:
Texte müssen von Kunden selbstständig geschrieben werden, um das Sentiment exakt erfassen zu können. Tickets, die durch Hotlines oder Servicemitarbeiter*innen verfasst werden, erfüllen diese Anforderung nicht.

Erkennung von Anomalien
Vernetzte Geräte erfassen via Sensoren Umgebungsdaten und analysieren diese in Echtzeit. Beispielsweise werden physikalische Werte wie die Temperatur, Geschwindigkeit oder auch Flüssigkeits- und Materialzustände fortlaufend dokumentiert und visualisiert. Grenzwerte für problematische Abweichungen werden im Voraus definiert. Über deren Korrelationen wird über Machine Learning eine Voraussage getätigt, wann ein Servicefall eintreten wird. Daraufhin erfolgt ein vordefinierter Prozess, wie z.B. eine Benachrichtigung, ein Alarm oder eine komplette Geräteabschaltung. Idealerweise geschieht dies zu einem Zeitpunkt, an dem folgenschwere Fehler oder langfristige Ausfälle verhindert werden können. Ein konkretes Beispiel für die Erkennung von Anomalien ist der kathodische Korrosionsschutz (KKS) wie er bei Service-Meister verwendet wird. Hierbei handelt es sich um ein statistisches Modell, das mit historischen Sensordaten zur Anomalie-Erkennung entwickelt und trainiert wird. Ein KI-Algorithmus identifiziert bei der Verfahrensweise Anomalien in der KKS-Überwachung und erstellt daraufhin zielgerichtete Warnungen.

Typische Datenquellen:
Sensordaten (Wasserdurchflussgeschwindigkeit, elektrolytische Leitfähigkeit, KKS-Daten, Spulentemperatur, Status der Sensorelektronik).

Typische Qualitätsanforderungen an Daten:
Aktualität, Fehlerfreiheit, Relevanz, Vollständigkeit, durchgehende Verfügbarkeit, vollständige Zeitreihendaten. Für den KKS ist es wichtig, auf möglichst viele Sensoren zeitnah zugreifen zu können.

Oszillationsanalyse
Die Vibrationsanalyse ist eine besondere Form der Anomalieerkennung. Sie ermöglicht es, über den Schwingungsverlauf Störungen in komplexen Maschinen zu erkennen.

Typische Datenquellen:

• Motorstrom, Messposition/-geschwindigkeit und auch Beschleunigung.

Typische Qualitätsanforderungen an Daten:

• Gutes Signal-Rausch-Verhältnis.

Servicebedarfsvorhersagen
A) Mit Hilfe von Predictive Maintenance lässt sich der optimale Wartungszeitpunkt einer Werkzeugmaschine bestimmen. Typische Datenquellen: Maschinendaten

Typische Datenquellen:
Maschinendaten

Typische Qualitätsanforderungen an Daten:
Robuste, qualitativ hochwertige Daten, die repräsentativ für den Use Case sein müssen und vollständige bzw. ausreichende Zeitreihen umfassen sollten.

B) Auch bei Serviceprozessen werden eine Vielzahl an Daten erhoben, die Vorhersagen über einen zukünftigen Servicebedarf ermöglichen. Diese können analysiert und mit weiteren Daten, z. B. aus dem Verkauf oder der Produktion, verknüpft werden.

Typische Datenquellen:
Ticketsysteme, Servicedaten

Typische Qualitätsanforderungen an Daten:
Daten sollten die vollständigen Service-Abläufe und den damit verbundenen Servicebedarf enthalten. Je mehr historische Daten vorhanden sind, desto besser lassen sich Vorhersagen erstellen.

Servicehistorien
Alle Serviceberichte werden in einer Wissensdatenbank gespeichert. Diese können nach den unterschiedlichsten Aspekten untersucht und ausgewertet werden. Häufige Aspekte sind zum Beispiel besonders gute Servicelösungen oder häufig auftretende Fehler, die Implikationen auf die Produktentwicklung haben sollten. Die Ergebnisse der Auswertung sollten automatisch zu neuen Lösungsvorschlägen für den Service führen, die dann über den Kreislauf im nächsten Servicefall allen Kollegen zur Verfügung stehen.

Typische Datenquellen:
Datenbanken, auf denen Wissenmangementsysteme aufgebaut werden

Typische Qualitätsanforderungen an Daten:
Maschinenlesbare Daten bzw. Dokumente

Lernendes System
Das System lernt sozusagen von all den Fehlererkennungen und Lösungsvorschlägen, die die Experten in der Vergangenheit geschaffen haben.

Fehler-Historien
A) Eine KI-Anwendung erstellt eine Historie nach vorab proirisierten Kategorien wie zum Beispiel: Kunde, Maschine, Maschinentyp und zugehörige Fehler wie auch Lösungen in zeitlicher Abfolge. Ein Hersteller kann so statistische Auswertungen zum Wiederauftreten und zum Schweregrad jedes Fehlers erheben.

Typische Datenquellen:
Kategorisierte Serviceberichte mit Zeitstempel.

Typische Qualitätsanforderungen an Daten:
Gleichartig kategorisierte Daten, die für die Klassifizierung der Fehler und Lösungen nötig sind.

B) Intelligentes Information-Retrieval für technische Dokumente

Durch eine Bilderkennung von technischen Geräten in Kombination mit einer intelligenten Suche können zur Wartung und zur Reparatur relevante Dokumente schnell und effizient aufgefunden und bereitgestellt werden. Dies verkürzt Wartungsintervalle und senkt Kosten.

Typische Datenquellen:
PDF-Handbücher, Zertifikate, Quick Start Guides, Technische Dokumente, Produktbilder, Informationen zur Produkthierarchie

Typische Qualitätsanforderungen an Daten:
Strukturierte und maschinenlesbare Basisformate

Handbücher
Die Dokumentenanalyse mittels KI bietet Servicemitarbeitern:innen den Vorteil, bei einem Termin vor Ort schnell Lösungsvorschläge via Schlagwortsuche zu erhalten.

Typische Datenquellen:
Maschinenhandbücher und -datenblätter, alte Serviceberichte, Schulungsprotokolle

Typische Qualitätsanforderungen an Daten:
Die Daten müssen als Textdokument (keine Screenshots), entweder als PDF- oder als Word-Dokument, vorliegen. Je aussagekräftiger und umfangreicher die Textdokumente sind, desto zielgerichteter sind die Lösungsvorschläge.

Beste Praktiken
In einer Wissensgesellschaft ist Wissen eine der wichtigsten Ressourcen eines Unternehmens. Es aufzubauen, zu nutzen und zu bewahren, ist deshalb eine zentrale Aufgabe von Unternehmen und ein zentraler Schlüssel zu zukünftigem, nachhaltigem sowie wirtschaftlichem Erfolg. Wissensmanagementsysteme bieten hier Zugriff auf umfangreiche Informationen über das eigene Unternehmen. Sie sollten daher in Wissensdatenbanken zentral gespeichert werden. Gerade Best-Practice eignet sich, dieses Wissen zu veranschaulichen und zu dokumentieren.

Typische Datenquellen:
Handbücher, Best-Practice-Ratgeber, FAQ-Listen und Serviceberichte

Typische Qualitätsanforderungen an Daten:
Das gesamte datengestützte Wissen muss zentral erfasst bzw. gespeichert sein

Routenplanung
Sobald der Einsatzplan für eine:n Servicetechniker:in bzw. ein Team feststeht, sollte die Route zum Kunden ermittelt werden. Sinnvoll ist es, ein im Unternehmen verwendetes Routenplanungs-Tool automatisch mit den Kundendaten zu verknüpfen, um direkt und ohne Aufwand immer die beste Route sowie alternative Vorschläge bereitstellen zu können.

Typische Datenquellen:
Adressdaten aus der Kundendatenbank, Historien von Routenplanungen zur Berücksichtigung von Besonderheiten (richtiger Eingang bei großen Firmen), evt. auch Zugangsdaten für Techniker und Ansprechpartner beim Kunden.

Typische Qualitätsanforderungen an Daten:
aktuelle Adressdaten, Erkenntnisse aus vorangegangenen genutzten Routen

Teamzusammensetzungen
Disponenten arbeiten mit Plantafeln. Diese Planung kann via statistischer Auswertungen oder einem lernenden System automatisiert erstellt werden: Dabei sollten neben den beteiligten Personen auch deren Skills, Termimkalender und Einsatzorte berücksichtigt werden. Die in den Datenbanken vorgehaltenen Daten werden mit anderen Quellen verknüpft. So können neben Lösungsvorschlägen eines technischen Problems auch gleich passende Servicetechniker:innen empfohlen werden.

Typische Datenquellen:
Verknüpfungen zur Mitarbeiterdatenbank (möglichst mit Skills und Kalenderdaten)

Typische Qualitätsanforderungen an Daten:
Kategorisierte Daten aus der Mitarbeiterdatenbank, Kalenderdaten inklusive der Einsatzorte

Chatbots
Chatbots werden in der Regel auf Webseiten und in Instant-Messenger-Apps eingesetzt. Als helfender Chatbot treten sie in den Dialog mit dem Nutzer und erleichtern die Kommunikation mit der jeweiligen IT-Applikation.

Typische Datenquellen:
Wissensdatenbanken, Key Value Store (KVS). Der KVS ermöglicht es dem Chatbot, mit anderen Chatbots zu kommunizieren, beziehungsweise auf andere Services zugreifen zu können.

Typische Qualitätsanforderungen an Daten:
Der Inhalt der Wissensbasis muss an die Zielgruppe, das Einsatzgebiet und den Zweck des Chatbots angepasst sein. Der Zielgruppe entsprechend sollte das Vokabular des virtuellen Assistenten formuliert sein.

Servicebots
Ein Voicebot hilft dem/der Servicetechniker:in die Hände frei zu haben, um vor Ort Probleme schnell und effektiv lösen zu können. Dies könnte beispielsweise ein Servicebot sein, der über eine Mobilfunkanbindung die relevanten Schrittfolgen aus dem Servicehandbuch vorliest.

Typische Datenquellen:
Der Voicebot baut auf einem Chatbot auf und greift hierbei auf Amazon Alexa zurück.

Expertenwissen
Mit dem Einsatz einer KI-basierten Zuordnung von Servicetickets (Ticket Dispatchers) haben Servicemitarbeiter:innen im User-Help-Desk (UHD) bzw. Servicedesk mehr Zeit, um bei besonders herausfordernden Fällen mit Rat und Tat unterstützend helfen zu können.

Typische Datenquellen:
Tickets eines Service Management Systems.

Typische Qualitätsanforderungen an Daten:
Es müssen historische Tickets mit entsprechender Zuordnung/Lösung vorhanden sein.

KI-gestützte Dokumentation
Schon beim Auslösen eines Servicefalls werden Kundendaten (z.B. Servicevertrag , Preise von Einzelleistungen und Ersatzteilen) miteinander verknüpft. Der Servicefall sollte via Lösungskategorie bereits Lösungsschritte beinhalten. Nach einem erledigtem Seriveauftrag bestätigt der/die Techniker:in dann nur noch die Vorgabe oder beschreibt gegebenenfalls Abweichungen per Freitext, Checkbox oder Bot. Mit Hilfe dieser Informationen wird automatisiert eine Rechnung oder Aufwandsdokumentation erstellt. Diese Dokumentation kann wiederum nach einer Kontrolle oder auch automatisiert in den nächsten Servicefall einfließen und als Vorgabe dienen. Am Ende eines Technikereinsatzes wird somit mit den vorhandenen beziehungsweise verwendeten Daten eine Dokumentation mittels einer KI erstellt.

Typische Datenquellen:
Verknüpfte Daten zu Kunden, Verträgen, Ersatzteilen, Technikern mit Stundensätzen, Preisen etc., vorkonfigurierte Prozessschritte zu Problem- und Lösungskategorien

Typische Qualitätsanforderungen an Daten:
aktuelle Datenbankvernüpfungen

Speech-to-text Eingabe
Voicebots greifen für „Speech-to-Text“ über entsprechende Schnittstellen auf Amazon Alexa zu.

1. Servicemeldung:
Liegt überhaupt ein Servicebedarfsfall vor? Diese Eingangsfrage steht am Anfang jedes Prozesses des technischen Services. Ist dies der Fall, muss herausgefunden werden, um was für einen Servicefall es sich handelt. In diesem ersten Modul für den technischen Service wird genau diese erste Einschätzung vorgenommen.

Analoger Prozess:
Bei einer mutmaßlichen Störung einer Maschine wird das Servicecenter informiert. Servicecentermitarbeiter*innen beurteilen den Störungsfall anhand weiterer Details und beauftragen ggf. eine*n Servicetechniker*innen. Diese*r fährt mit den Informationen zum Kunden bzw. zur Maschine, um den Service durchzuführen.

KI-unterstützer Prozess:
Angeschlossene Sensoren erfassen exakt, schnell und sicher die Messwerte einer Maschine. Weichen diese von dem Standard ab, analysiert die KI-Anwendung die Werte daraufhin und prüft, ob es sich tatsächlich um eine Anomalie handelt. Nur dann werden diese Informationen zu den abweichenden Werten dem Service-Lifecycle hinzugefügt. Die Anwendung hat auch den Vorteil, dass sich mit ihr bzw. einer sogenannten Predictive Analytic Vorhersagen und Wahrscheinlichkeitsberechnung von bestimmten Ereignissen oder dem Verhalten von Menschen treffen lassen.

2. Ticketzuordnung
Sprach man in Zeiten analoger Prozesse noch von einem Fallbearbeitungssystem, wird heute nur noch von Ticketsystemen geredet. Servicefälle werden dort digital angelegt, katalogisiert und priorisiert. Entweder ruft der Kunde beim Serviceprovider an und wird von dort ins Callcenter durchgestellt, sodass der Fall erfasst und verwaltet werden kann. Oder eine Meldung trifft per E-Mail ein.

KI-unterstützter Prozess:
Diese gesamten Schritte einer digitalen Servicefallerfassung fallen bei einer KI-Anwendung weg, da Vorgänge automatisiert ausführt und Informationen selbstständig prozessiert werden. Hierzu werden KI-unterstützte Verfahren, sogenannte Natural Language Processing (NLP), eingesetzt und mit ihnen Sprache analysiert.

Typische Vorteile eines Ticketsystems mit KI-Applikation:

1. Erkennen von Schlüsselbegriffen anhand derer Fehler-Kategorien ermittelt werden
2. Finden möglicher Lösungsvorschläge in den vorhandenen Daten
3. Lokalisieren von z.B. negativen Kundenreaktionen und Priorisierung vergeben
4. Aktualisieren eines Tickets durch immer neu generierte Informationen

3. Einsatzplanung
Ein Disponent muss an vieles denken damit der Servicefall vor Ort beim Kunden reibungslos und zu dessen Zufriedenheit durchgeführt werden kann: Terminpläne, Anfahrtsrouten, Techniker mit passenden Skills, erforderliche Ersatzteile, etc.. Ein KI-System ermöglicht eine effiziente Vorqualifizierung.

KI-unterstützter Prozess:

1. Die Fehlerhistorie der Kundenmaschine und des Maschinentypus werden zusammengestellt
2. Bekannte Lösungsverfahren und -maßnahmen werden übersichtlich zusammengefasst
3. Notwendige Ersatzteile werden aufgelistet
4. Das Serviceteam wird entsprechend den Anforderungen des Servicefalls ausgewählt
5. Der Termin wird automatisch in den Kalender eingetragen
6. Die Routenplanung zum Kunden wird erstellt
7. Der Kunde wird informiert
8. Ein Informations- und Lösungspaket wird den Tabletcomputern des Serviceteams zugefügt

4. Bearbeitung vor Ort
Wer als Techniker bereits ein Walzenlager ausgewechselt hat, weiß, welche Komplikationen dabei auftreten können. Das Modul befindet sich am äußeren Rand der Maschine, ist daher schlecht zugänglich. Auch sich vorab auf dem Tablet die Montage als Best-Practice anzusehen, ist nicht zielführend, da die ungünstige Positionierung des Walzenlagers wenig Einblicke gestattet.

In diesem konkreten Fall ist es hilfreich, als Techniker*in per Tablet die Chatbot-App aufrufen und die Fall-ID eingeben zu können. Über Bluetooth-Kopfhörer erklingt sogleich der Bot, der fragt, wie er helfen kann. Eine Option ist, dass sich der Techniker die Handlungsschritte aus der Best-Practice-Anleitung vorlesen lassen kann. Die Default-Einstellung ist hier, dass der Bot nach jedem Schritt wartet, bis der Gesprächspartner den Schlüsselbegriff „Service-Bot: weiter!“ sagt. So kann der Techniker den Wechsel des Walzenlagers in nur einer halben Stunde durchführen.

5. Serviceberichte
Das Erstellen eines Serviceberichtes ist eine lästige und zeitintensive Pflicht. Die aufwendigste Variante dieser Dokumentation ist, alles per Papier zu erfassen, es in ein System einzugeben und mit Preislisten oder Bestellungen abzugleichen. Auch wenn viele Firmen mit Online-Formularen ihren Techniker*innen bereits diesen Prozess erleichtert haben, bringt erst eine KI-Anwendung wirklichen Gewinn.

KI-unterstützter Prozess am Beispiel des Serviceberichtes:

1. Das Serviceteam beendet den Servicefall mit der vorkonfigurierten Dokumentation direkt online.
2. Anhand der ausgefüllten oder nur bestätigten Formulare erstellt die Applikation automatisiert eine Rechnung, indem sie selbstständig die notwendigen Informationen aus der Kundendatenbank, den Techniker-Stundensätzen, der Ersatzteildatenbank oder anderen verbundenen Quellen miteinander verknüpft.
3. Das Endprodukt, also der Bericht oder die Rechnung, wird gleichzeitig an den Kunden per E-Mail geschickt und an die Buchhaltung übermittelt.

6. Auswertungen
Auswertungen haben nicht nur einen statistischen, sondern auch einen unternehmensrelevanten Wert. So können Expertenwissen, neue und besonders effiziente Lösungen, Vorkommnisse zu Produkteigenschaften und Garantiefällen erfasst und für alle Mitarbeiter und Abteilungen sichtbar gemacht werden. Die sofortige Auswertung und Überführung in eine Wissensdatenbank hilft, um Implikationen für weitere Fälle oder z.B. für die zukünftige Vertragsgestaltung oder Produktentwicklung abzuleiten.

Service Plattform
Hier können Sie ausgewählte Services integrieren oder mehrere von ihnen zielgerichtet für eine Gesamtlösung miteinander verknüpfen. Sie haben die Möglichkeit, sie entweder über standardisierte Schnittstellen in der eigenen IT-Umgebung oder in eine spezielle KI-Plattform mit den entprechenden Voraussetzungen und offenen Standards zu integrieren.

Sensoren, Messungen, Monitoring
Wir unterteilen Phase 0 und den ersten Schritt im Servicekreislauf. Damit wollen wir einen Unterschied deutlich machen. Phase 0 ist bereits im Markt ein eigenständiges Feld „Predictive Maintenance“ via „IOT“ oder auch „IIOT“. Um solch eine Zustandsüberwachung (= Predictive Maintenance) zu realisieren geht man in drei Schritten vor:

1. Sensoren verbauen
2. Sensoren über Konnektoren mit einem System z.B. über die Cloud verbinden
3. Messungen sichtbar machen und überwachen

Das nennt man auch „Condition Monitoring” für die Instandhaltung und Überwachung.

Zur Unterscheidung:
Bei unseren KI-Modulen für den Service gehen wir noch einen Schritt weiter. Wir wollen über angezeigte Grenzwerte hinaus weitere Bedingungen in Bezug setzen und in einem selbstlernenden System sicherstellen, dass es sich bei einem gemeldeten Alarm (Anomalie) tatsächliche um eine Servicemeldung handelt. Denn Fehlarlarme sind in vielen Wirtschaftsbereichen ein enormer Kostenfaktor. Mit einer selbst lernenden und automatisierten Auswertung kann man dies vermeiden und Einsparungen erzielen.

Genau das analysieren wir über KI in Modul 1 Servicemeldung.