Wie KI Kundenbeschwerden in umsetzbare Insights verwandelt

Die alten Tage der Qualitätsbewegung wirken im Rückblick skurril: Banner, Slogans, Preise, Teambuilding-Events. Heute ist Qualitätsmanagement ganz auf Information ausgerichtet – genauer: wie man vermeidet, darin begraben zu werden.

Im Zeitalter sozialer Medien gibt es so viele reichhaltige Daten von Verbrauchern, dass Unternehmen in der Lage sein sollten, dieses Feedback in die Schaffung perfekter Produkte umzuwandeln. Wenn da nur nicht das schiere Volumen wäre. Wie können Händler, besonders in qualitätsfokussierten Branchen wie Pharma, all diese Information sinnvoll nutzen?

Kurze Antwort: Sie können nicht – nicht ohne Hilfe von künstlicher Intelligenz und der aufstrebenden Wissenschaft des Predictive Modeling.

Ein Pharma-Hersteller erhält typischerweise Zehntausende Kommentare und Beschwerden aus diversen Quellen weltweit. Die Standard-Beschwerdeabteilung wäre überfordert bei Triage dieses überwältigenden Inputs – Trennung von positiv/negativ, trivial/lebensbedrohlich.

Tatsächlich ist die Mehrzahl der Beschwerden meist low-risk, so Steve McCarthy, VP Digital Innovation bei Sparta Systems, Anbieter von Qualitätsmanagement-Software. Dennoch, so McCarthy, muss jede Beschwerde „angefasst“ werden. Der Trick: „Rauschen“ herausfiltern und auf wirklich wichtiges Feedback fokussieren.

Mit Verbesserungen im Natural Language Processing ist KI zu einem zunehmend gangbaren Mittel geworden, all diese Daten zu interpretieren. Idee: Automatisierung sortiert Rohdaten, präsentiert der Beschwerdeabteilung dann Schweregrad-Bewertung, mögliche Root Causes und sogar Handlungsvorschläge.

Es bleibt – zumindest vorerst – Aufgabe von Menschen, computergenerierte Kategorisierungen und Vorschläge anzunehmen oder abzulehnen. „In diesem Stadium“, so McCarthy, „entfernen wir den Menschen nicht aus dem Entscheidungsprozess, sondern versuchen, die Fähigkeit zu smarteren, effektiveren Entscheidungen zu verbessern.“

Theoretisch sollte das System analytische Fähigkeiten mit Erfahrung verbessern. Das ist Basis von Machine Learning, einem Kernaspekt moderner KI. Je mehr es Daten verdaut und an Qualitätsingenieure weiterleitet, desto höher die Genauigkeit, so McCarthy.

Neben der offensichtlichen Priorität Patientensicherheit ist ein KI-getriebenes System auch kosteneffektiver als manuelle, menschliche Evaluation. (Vorausgesetzt letztere ist überhaupt möglich, gegeben der Informationsflut, mit der Hersteller heute konfrontiert sind.)

Aber Kosten sind nicht der einzige Grund für effizientere Beschwerdebearbeitung. „Da ist der Faktor Geschwindigkeit und Zeitlichkeit“, sagt McCarthy. „Wichtig: zu solidem Verständnis der wahrscheinlichen Schwere und Risikostufe einer Beschwerde zu kommen, um Root-Cause-Untersuchung abzuschließen.“

Nächster Schritt in KI-Nutzung – und noch weit von voller Reife entfernt – ist Predictive Modeling. Nach bewiesener Fähigkeit zur Datenkontextualisierung, Auftragskategorisierung und automatisiertem Risikoassessment kann das System beginnen, Beschwerdearten vorherzusehen. Durch Trendanalyse kann es tatsächlich Schweregrad oder Risiko vorhersagen, das eine Beschwerde wahrscheinlich repräsentiert.

Mit wachsenden Input-Volumen kann die KI-Engine Anzahl und Art von Abweichungen von Qualitätsbenchmarks identifizieren. Effektiv, so McCarthy, lernt sie aus diesen Daten, bevor ein Produkt überhaupt released wird.

„Diese Datensets können zusammengeführt werden, sodass, wenn Sie ein bestimmtes Muster auf dem Shopfloor sehen, das mit Post-Market-Beschwerdedaten verknüpft war, Sie diese Datensets korrelieren und anfangen können vorherzusagen, dass dieses Muster zu einer Beschwerde führen könnte“, erklärt McCarthy.

Das Feedback wird Teil eines Closed-Loop-Systems, durch das es zurück in die Produktfertigung einfließt. Der Hersteller könnte entdecken, dass ein Druckmessgerät fehlerhaft ist. Oder ein Designfehler wird in der Designphase detektiert, was Rohmaterial- und Initialproduktions-Änderungen nötig macht.

Während der Wert eines KI-getriebenen Qualitätsprozesses in Life Sciences am evidentesten scheint, sieht McCarthy die Technologie als gleich anwendbar auf diverse andere Branchen. Medizintechnik-Hersteller profitieren enorm, indem sie teure Kapitalausrüstung vor Markteintritt tweaken können. „Am Ende des Tages“, so McCarthy, „geht es um Signal Detection.“

Die Technologie hat noch Weg vor sich, bevor Predictive Modeling vertrauenswürdige, effektive Übung wird. In jüngeren Jahren hat KI große Fortschritte gemacht in Verständnis von Subtilitäten und Sentiments hinter menschlichen Reaktionen, aber es ist weit von perfekt. Wie parse ein Kontaktlinsenhersteller Beschwerden wie „kratzig“, „juckend“, „brennend“, „ein unangenehmes Gefühl“?

McCarthy erwartet weiter Fortschritte, da Life-Sciences-Hersteller sowohl Verbrauchergeschmack als auch regulatorische Strenge treffen müssen. Auch Automotive-Industrie profitiert von KI für Sicherheit und Build-Quality-Testing in der Fertigung.

„Es wird in diversen Bereichen pilotiert“, sagt McCarthy. „Die Fähigkeit, Predictive Modeling auf diesen Prozess anzuwenden, ist sehr aufregend. Ich kann mir die Fähigkeiten, die wir in wenigen kurzen Jahren haben werden, nicht einmal vorstellen.“