Luftfahrt
KI-gestützte Trendanalyse und Erkenntnisgewinnung für einen Erstausrüster
Erfolgsgeschichte
Scalefocus entwickelte eine daten- und KI-basierte Analyselösung, die Informationen aus Kundensupport- und Field-Service-Prozessen konsolidiert und auswertet. Ziel war es, wiederkehrende technische Probleme, Prozessengpässe und Optimierungspotenziale frühzeitig zu identifizieren.
Im Mittelpunkt stand die Transformation unstrukturierter Support-Daten, darunter Service-Tickets, Wartungsnotizen sowie E-Mail- und Chat-Kommunikation, in strukturierte, auswertbare Erkenntnisse.
Durch den Einsatz von Künstlicher Intelligenz konnte der OEM aufkommende Zuverlässigkeits- und Servicetrends frühzeitig erkennen, Ursachenanalysen beschleunigen, Ressourcen gezielter steuern und die Kundenzufriedenheit nachhaltig verbessern.
60% schnellere Trenderkennung
70% weniger manueller Klassifizierungsaufwand
Reduzierter Reporting-Aufwand und verbesserte Kommunikation
Der Kunde
Ein führender Originalgerätehersteller mit Spezialisierung auf komplexe Systeme für die Luftfahrt- und Industriebranche.
Das Unternehmen betreibt ein globales After-Sales- und Techniksupport-Netzwerk und bearbeitet monatlich tausende Kundenanfragen, Servicefälle und technische Berichte über regionale Support-Zentren.
Die Bereiche Zuverlässigkeit und Kundensupport arbeiten eng zusammen, um eine hohe Servicequalität und eine zeitnahe Behebung von Feldproblemen sicherzustellen.
Die Herausforderung
Die Support- und Serviceorganisation des OEM verwaltete große Mengen unstrukturierter Daten, darunter:
- Service-Tickets
- Technikerberichte
- E-Mail-Kommunikation
- Feldservice-Protokolle
Trotz des hohen Informationspotenzials wurde die Datenbasis nur eingeschränkt genutzt. Die wesentlichen Herausforderungen:
- Daten verteilt über mehrere Systeme wie CRM, Service-Management, E-Mail-Plattformen und ERP
- Manuelle und inkonsistente Kategorisierung von Servicefällen nach Ursache, Komponente, Region oder Kunde
- Reaktive Problemerkennung, wiederkehrende Fehler wurden häufig erst nach Eskalationen sichtbar
- Fehlende zentrale Transparenz über wiederkehrende Fehlertypen, Komponentenprobleme oder Prozessverzögerungen
- Begrenzte Möglichkeiten zur quantitativen Bewertung der Serviceleistung über Regionen hinweg
- Das Unternehmen verfolgte daher das Ziel, von manuellen Auswertungen zu einer datenbasierten, trendorientierten Steuerung der Support- und Produktperformance überzugehen.
Die Lösung
Ein interdisziplinäres Team von Scalefocus entwickelte eine Analyseplattform zur Konsolidierung von Support-Daten und zum Einsatz KI-gestützter Textanalyse, Trendidentifikation und Prozessauswertung.
Datenintegration und Aufbereitung
Service-Tickets, E-Mail-Protokolle und Technikerberichte wurden aus Salesforce Service Cloud und ServiceNow extrahiert und in eine zentrale Datenplattform überführt.
Automatisierte ETL-Prozesse stellten die kontinuierliche Datenintegration sicher. Zusätzlich wurden Datenbereinigung, Normalisierung und Dublettenprüfung durchgeführt, um eindeutige Referenzen für Geräte, Produktfamilien, Seriennummern, Kunden und Fehlerursachen zu gewährleisten.
Sprachverarbeitung und automatische Klassifizierung
Zur Analyse freier Textfelder in Ticketbeschreibungen, Notizen und Lösungsdokumentationen kamen moderne Verfahren der natürlichen Sprachverarbeitung zum Einsatz, darunter BERT-basierte Modelle und domänenspezifisch trainierte Sprachmodelle.
Die Lösung klassifizierte Service-Tickets automatisch nach:
- Produktfamilie oder System
- Fehlerursachenkategorie
- Schweregrad und Auswirkung
Darüber hinaus wurden Themenmodellierungsverfahren implementiert, um verborgene Problemcluster zu identifizieren, etwa Kalibrierabweichungen von Sensoren oder Fehler bei Firmware-Rollbacks.
Trend- und Korrelationsanalyse
Scalefocus entwickelte Algorithmen zur automatisierten Trenderkennung, die Häufigkeit und Schwere bestimmter Fehlerkategorien über Zeiträume hinweg analysieren.
Zusätzlich wurden Korrelationen zwischen Fehlermustern und Produktionschargen, Softwareversionen sowie geografischen Regionen hergestellt.
Prozess-Dashboards visualisieren unter anderem:
- Bearbeitungszeiten
- Eskalationsstufen
- Kommunikationsschleifen
So konnte die Leistungsfähigkeit der Support-Teams transparent und vergleichbar gemacht werden.
Generative KI für automatisierte Berichtszusammenfassungen
Eine generative KI-Komponente erstellt monatliche Support-Trendberichte automatisch. Diese Berichte fassen zusammen:
- Häufigste wiederkehrende Fehlerkategorien
- Dominante Fehlerursachen
- Aufkommende Kundenprobleme
- Regionale Leistungskennzahlen
Die KI nutzt strukturierte Analysedaten und formuliert daraus verständliche Management-Zusammenfassungen.
Beispiel einer automatisch generierten Erkenntnis:
„Service-Tickets im Zusammenhang mit der Firmware der Aktuatorsteuerung sind in den letzten zwei Monaten um 18 % gestiegen, überwiegend im asiatisch-pazifischen Raum und in Verbindung mit Version 3.2. Eine frühzeitige Firmware-Anpassung wird empfohlen.“
Die Ergebnisse
Während der Entwicklung wurden kontinuierliche Testverfahren und automatisierte Qualitätssicherungsmaßnahmen implementiert. Dadurch konnten Projektrisiken frühzeitig erkannt und Softwarequalität sowie Stabilität nachhaltig verbessert werden.
Die wichtigsten Resultate:
- 60 % schnellere Trenderkennung im Vergleich zu manuellen Reporting-Zyklen
- Frühzeitige Identifikation eines wiederkehrenden Aktuatorproblems bei mehreren Kunden und proaktive technische Behebung
- 70 % Reduktion des manuellen Klassifizierungsaufwands durch automatisierte Textanalyse
- Verbesserte Transparenz über regionale Leistungs- und Fehlermuster
- Automatisierte monatliche Berichterstellung, geringerer administrativer Aufwand und verbesserte Abstimmung zwischen Support, Zuverlässigkeitsmanagement und Produktentwicklung
- Aufbau einer belastbaren Datenbasis für zukünftige Initiativen im Bereich vorausschauende Wartung und Serviceoptimierung
Strategischer Mehrwert
Die Initiative transformierte die Support-Organisation des OEM von reaktiver Fallbearbeitung hin zu datenbasierter Zuverlässigkeitssteuerung.
Support-Daten dienen heute nicht mehr ausschließlich der Problemlösung, sondern als systematische Lernquelle aus dem Feldeinsatz. Erkenntnisse fließen strukturiert in Produktentwicklung und Qualitätsmanagement zurück und stärken langfristig die Kundenbeziehung.