Verbessern Sie die Kundenanbindung von Iris mit LLM-gestützten Serviceempfehlungen
Auf einen Blick
Iris bietet essentielle Softwarelösungen für die Verwaltung von Kerngeschäftsvorgängen an, wobei der Schwerpunkt auf der Bereitstellung von buchhaltungsbezogenen Dienstleistungen liegt.
Herausforderung
Iris musste die Erstellung präziser Serviceempfehlungen für neue Kunden auf der Grundlage der Daten ähnlicher bestehender Kunden automatisieren.
Lösung
Firemind hat ein LLM-gestütztes System entwickelt, das Daten aus Unternehmensberichten extrahiert und analysiert und mithilfe von Amazon Web Services Serviceempfehlungen generiert.
Genutzte Dienste
- Amazonas-Felsen
- AWS Schritt-Funktionen
- Amazonas Athena
- Amazon S3
Ergebnisse
- Schlüsselinformationen aus Unternehmensberichten erfolgreich extrahiert und strukturiert.
- Die LLMs lieferten genaue Serviceempfehlungen, die mit den Anazon Athena-Daten abgestimmt waren.
Geschäftliche Herausforderungen
Automatisieren Sie genaue Serviceempfehlungen für neue Kunden
Iris wollte den Prozess der Kundenaufnahme verbessern und neuen Kunden präzisere und relevantere Serviceempfehlungen geben. Der traditionelle Ansatz beinhaltete einen manuellen Prozess, der zeitaufwändig war und die umfangreichen Daten, die von bestehenden Kunden zur Verfügung standen, nicht vollständig nutzte. Dies bot Iris die Möglichkeit, innovativ zu sein und seine Abläufe weiter zu optimieren.
Iris war bestrebt, die Effizienz und Konsistenz zu verbessern und wollte den Empfehlungsprozess automatisieren. Auf diese Weise konnte sichergestellt werden, dass neue Kunden maßgeschneiderte Vorschläge erhielten, die auf einer gründlichen Analyse historischer Daten beruhten. Diese Automatisierung war ein wichtiger Schritt zur Steigerung der betrieblichen Effizienz, zur Beschleunigung des Einführungsprozesses und zur Erhöhung der Kundenzufriedenheit.
Stehen Sie vor ähnlichen Herausforderungen?
Wir sind Spezialisten für die Lösung von Problemen mit Daten und KI. Lassen Sie uns Ihnen helfen, die Vorteile der Cloud zu nutzen.
Was unsere Kunden sagen
Hören Sie direkt von denjenigen, die unsere Dienstleistungen in Anspruch genommen haben. Entdecken Sie, wie wir für unsere Kunden einen Unterschied gemacht haben.
Lösung
Einsatz von LLMs zur Rationalisierung von Serviceempfehlungen
Firemind implementierte eine POC, die Large Language Models (LLMs) nutzte, auf die über Amazon Bedrock zugegriffen wurde. Die Lösung umfasste die Entwicklung eines Empfehlungssystems, das automatisch Servicevorschläge für neue Kunden auf der Grundlage der von ähnlichen bestehenden Kunden genutzten Services generierte.
Das System verarbeitete Unternehmensberichte im PDF-Format, extrahierte Schlüsseldaten und konvertierte sie in strukturierte CSV-Dateien, die dann in eine Amazon Athena-Tabelle hochgeladen wurden. Mithilfe vordefinierter SQL-Abfragen wurden die relevanten Daten abgerufen und analysiert. Die LLMs verarbeiteten diese Daten dann, um Antworten in natürlicher Sprache zu generieren, die auf die Buchhalter von Iris zugeschnitten sind und genaue und relevante Serviceempfehlungen liefern.
Firemind sorgte dafür, dass die LLMs innerhalb des Rahmens der bereitgestellten Daten blieben und keine Empfehlungen außerhalb der verfügbaren Informationen aussprachen. Dies wurde durch sorgfältiges Prompt-Engineering und die Integration verschiedener AWS-Services erreicht. Das Ergebnis war ein System, das den Onboarding-Prozess von Iris effektiv unterstützt.
Gesteigerte Effizienz bei der Kundenanwerbung
Die Implementierung des LLM-gestützten Systems straffte den Onboarding-Prozess von Iris und verkürzte die für die Erstellung von Serviceempfehlungen benötigte Zeit erheblich. Durch die Automatisierung der Datenextraktion und -analyse ermöglichte das System den Buchhaltern, sich auf höherwertige Aufgaben zu konzentrieren, was das Onboarding beschleunigte und die operative Effizienz insgesamt verbesserte.
Genaue und datengestützte Empfehlungen
Durch die Analyse der Kundendaten und die Sicherstellung, dass die Empfehlungen innerhalb des Umfangs der angebotenen Dienstleistungen blieben, lieferte das LLM-gestützte System äußerst präzise und relevante Servicevorschläge. Dies erhöhte nicht nur die Genauigkeit der Empfehlungen, sondern auch die Kundenzufriedenheit.
Verbesserte Upselling-Möglichkeiten
Das Projekt verbesserte die Upselling-Möglichkeiten für die Buchhalter von Iris erheblich, indem es die Analyse der Profile neuer Kunden automatisierte. Das System generierte Service-Empfehlungen in Echtzeit, so dass die Buchhalter während des Onboarding-Prozesses sofort zusätzliche Dienstleistungen vorschlagen konnten, was sowohl die Effizienz als auch das Umsatzwachstum steigerte.
Model Spotlight
Anthropic ist ein Forschungsunternehmen für künstliche Intelligenz mit Sitz in der San Francisco Bay Area. Das 2021 gegründete Unternehmen konzentriert sich auf die Entwicklung von sicheren und ethischen KI-Systemen, insbesondere von KI-Assistenten, die in der Lage sind, einen offenen Dialog zu führen und eine breite Palette von Aufgaben zu erfüllen.
Anthropic hat bemerkenswerte Modelle wie Claude entwickelt und erforscht Techniken wie die „konstitutionelle KI“, um seine KI mit robusten ethischen Prinzipien zu versehen. Unter der Leitung eines Teams prominenter KI-Forscher positioniert sich Anthropic als aufstrebender Marktführer im Bereich der nützlichen KI-Entwicklung und setzt sich dafür ein, dass KI-Fähigkeiten im Einklang mit menschlichen Werten entwickelt werden.
Claude Sonett 3
Wir haben uns für Claude Sonnet 3 entschieden, weil es in der Lage ist, die anfänglichen Test- und Verarbeitungsanforderungen des Proof of Concept (PoC) zu erfüllen. Durch die Nutzung von Testdaten war Claude Sonnet 3 in der Lage, die verfügbaren Informationen aus den Amazon Athena-Abfragen schnell zu analysieren und strukturierte, relevante Empfehlungen für Upselling-Dienste zu generieren.
Dieses Modell spielte eine entscheidende Rolle bei der Beschleunigung der manuellen Aufgabe, bestehende Kundenportfolios zu analysieren, um festzustellen, welche Dienstleistungen angeboten werden. Claude Sonnet 3 empfahl Dienstleistungen auf der Grundlage des Profils eines neuen Kunden, wie z.B. Umsatz, Standort und Geschäftsbereiche, und lieferte innerhalb von Minuten Vorschläge in Echtzeit – viel schneller als herkömmliche manuelle Rechercheprozesse.
Dadurch konnten sich die Buchhalter von Iris sofort nach der Aufnahme eines neuen Kunden auf Upselling-Möglichkeiten konzentrieren und so ihre Fähigkeit verbessern, relevante Dienstleistungen anzubieten und Geschäftsprozesse zu rationalisieren.
Kontakt aufnehmen
Möchten Sie mehr erfahren?
Haben Sie eine bestimmte Fallstudie oder einen Einblick gesehen und möchten Sie mehr erfahren? Oder denken Sie über Ihr nächstes Projekt nach? Schreiben Sie uns eine Nachricht!
