Hintergrund
Das Verfahren PostIdent Video ermöglicht die digitale Identitätsprüfung per Videoanruf. Dabei entstehen dynamische Lastsituationen mit stark schwankendem Call-Aufkommen, unterschiedlichen Bearbeitungszeiten sowie konkurrierenden Service-Level-Anforderungen.
In bestehenden Systemen erfolgt das Routing eingehender Calls häufig über einfache Heuristiken wie „Most Idle Worker”. Diese Verfahren berücksichtigen jedoch nur eingeschränkt:
- historische Caller-Daten
- erwartete Gesprächsdauer
- Erfolgswahrscheinlichkeit
- SLA-Anforderungen
- Agenten-Skills
- Kostenstrukturen
- zukünftige Lastsituationen
Historische VideoIdent-Daten bieten großes Potenzial für datengetriebene Optimierungsverfahren und KI-basierte Routing-Strategien.
Ziel der Arbeit
Ziel der Masterarbeit ist die Entwicklung eines datengetriebenen Routing- und Optimierungssystems für VideoIdent-Calls auf Basis historischer Caller-Daten.
Dazu sollen:
- reale Call-Daten analysiert,
- eine realistische Simulationsumgebung entwickelt,
- ML-basierte Vorhersagemodelle trainiert,
- sowie intelligente Routing-Algorithmen entwickelt und evaluiert werden.
Der entwickelte Ansatz soll gegenüber klassischen Verfahren wie „Most Idle Worker” benchmarked werden.
Aufgabenstellung
1. Analyse historischer VideoIdent-Daten
Analyse anonymisierter Caller- und Prozessdaten, z. B.:
- Zeitpunkte und Dauer von Calls
- Warteschlangeninformationen
- Abbruchraten
- Erfolgsquoten
- Wiederholte Anrufversuche
- SLA-Verletzungen
- Agenteninformationen
- Skill-Zuordnungen
- Tageszeit- und Lastmuster
Ziel:
- Identifikation relevanter Einflussfaktoren
- Extraktion geeigneter Features für ML-Modelle
2. Entwicklung einer Simulationsumgebung
Entwicklung einer datengetriebenen Simulation des VideoIdent-Systems:
- Modellierung realistischer Call-Ankünfte
- Lastprofile basierend auf historischen Daten
- Agenten- und Schichtmodelle
- Unterschiedliche SLA-Klassen
- Variable Gesprächs- und Bearbeitungsdauern
- Queueing-Modelle
3. Entwicklung KI-/ML-basierter Vorhersagemodelle
Entwicklung von Modellen zur Vorhersage von:
- erwarteter Gesprächsdauer
- Abbruchwahrscheinlichkeit
- SLA-Risiko
- Erfolgswahrscheinlichkeit
- zukünftiger Systemlast
Mögliche Verfahren:
- Gradient Boosting
- XGBoost / LightGBM
- Deep Learning
- Sequence Models
- Time-Series Forecasting
4. Entwicklung eines intelligenten Routing-Algorithmus
Entwicklung eines Routing-Verfahrens unter Berücksichtigung von:
- SLA-Erfüllung
- Kosten
- Forecast-Erfüllung je Contact Center
- erwarteter Gesprächsdauer
- Agenten-Skills
- Auslastung
- Vorhersagen der ML-Modelle
Mögliche Ansätze:
- Reinforcement Learning
- Contextual Bandits
- Predictive Routing
- Multi-Objective Optimization
5. Benchmarking und Evaluation
Vergleich mit klassischen Routing-Strategien:
- Most Idle Worker
- Round Robin
- Skill-based Routing
- Prioritätsbasiertes Routing
Evaluation anhand relevanter KPIs:
- SLA-Compliance
- Durchschnittliche Wartezeit
- Queue-Längen
- Agentenauslastung
- Kosten pro Call
- Systemstabilität bei Lastspitzen
Erwartete Ergebnisse
- Analyse realer VideoIdent-Caller-Daten
- Simulationsframework für datengetriebenes Call-Routing
- Implementierung eines intelligenten Routing-Systems
- Quantitativer Vergleich mit klassischen Verfahren
- Wissenschaftliche Bewertung der Ergebnisse
Voraussetzungen
- Kenntnisse in Python
- Interesse an KI / Machine Learning
- Grundkenntnisse in Data Science oder Optimierung
- Interesse an praxisnahen datengetriebenen Systemen
Mögliche Erweiterungen
- Echtzeit-Lastvorhersage
- Adaptive Workforce-Planung
- Explainable AI für Routing-Entscheidungen
- Online-Learning im Livebetrieb
- Transfer auf andere Contact-Center-Systeme
Betreuung
Die Arbeit verbindet Machine Learning, Simulation, Optimierung und skalierbare Softwaresysteme mit realen industriellen Daten und praxisnahen Anforderungen im Bereich intelligenter Service-Plattformen.
Bei Interesse kontaktieren Sie uns.