Montagmorgen im Service Desk. Übers Wochenende sind dreihundert neue Tickets eingegangen, per E-Mail, über das Kundenportal, aus dem Chat und über die Telefonie. Eine Disponentin geht sie der Reihe nach durch, liest, ordnet zu und verteilt. Nach einer Stunde ist sie bei Ticket achtzig. Einige dringende Anfragen warten ganz unten, zwei Spezialisten haben schon zwanzig Tickets auf dem Tisch, und ein Drittel der Zuordnungen wird im Laufe des Tages noch einmal weitergeleitet, weil das Thema doch nicht gepasst hat.
Diese Situation kennen fast alle Supportorganisationen, vom internen IT Service Desk über den Kundenservice eines Softwareanbieters bis zum technischen Support eines Energieversorgers oder Telekommunikationsunternehmens. Die Zuweisung von Tickets klingt nach Routine, entscheidet aber über Reaktionszeiten, Lösungsquoten und die Zufriedenheit von Kunden und Mitarbeitenden. In diesem Beitrag zeigen wir, wie sich Ticket Dispatching mit künstlicher Intelligenz und mathematischer Optimierung automatisieren lässt, und warum beides zusammengehört.
Warum die Zuweisung so oft hakt
Die meisten Ticketsysteme bieten Regeln für die Verteilung. Tickets einer bestimmten Kategorie gehen an ein bestimmtes Team, innerhalb des Teams wird reihum verteilt. Das funktioniert, solange die Kategorien stimmen und die Last gleichmäßig ist. In der Praxis ist beides selten der Fall.
Kunden wählen im Portal oft die falsche Kategorie oder gar keine. E-Mails enthalten mehrere Anliegen auf einmal. Manche Themen können nur zwei oder drei Menschen im Unternehmen wirklich lösen, und genau diese sind ohnehin überlastet. Wer reihum verteilt, gibt einem Junior ein Ticket, das er nicht lösen kann, und einem erfahrenen Kollegen eine Aufgabe, die jeder hätte erledigen können. Und wenn ein Team das Ticket nicht lösen kann, schickt es das Ticket weiter. Jede dieser Weiterleitungen kostet Zeit, und der Kunde wartet.
Dazu kommen Service Level Agreements. Ein Premiumkunde hat vielleicht Anspruch auf eine Reaktion innerhalb einer Stunde, ein Standardkunde innerhalb eines Arbeitstages. Wer Tickets nur nach Eingang abarbeitet, verletzt diese Zusagen, obwohl insgesamt genug Kapazität vorhanden wäre.
Zwei Aufgaben, die zusammengehören
Automatisches Dispatching besteht aus zwei Teilen, die oft verwechselt werden. Der erste Teil ist das Verstehen. Worum geht es in dem Ticket, wie dringend ist es, in welcher Sprache ist es geschrieben, welches Produkt und welcher Kunde sind betroffen? Hier sind moderne Sprachmodelle und Klassifikationsverfahren des maschinellen Lernens sehr stark. Sie lesen Freitext, erkennen Themen und extrahieren die wichtigsten Informationen in Sekunden.
Der zweite Teil ist das Entscheiden. Wer soll das Ticket bearbeiten, wenn man Qualifikation, aktuelle Auslastung, SLA-Fristen, Schichtende und viele andere Faktoren gleichzeitig berücksichtigt? Das ist keine Frage des Textverständnisses, sondern ein Zuordnungsproblem, und dafür ist mathematische Optimierung das richtige Werkzeug. Warum wir diese Arbeitsteilung für so wichtig halten, erklären wir im Beitrag Operations Research oder KI.
Tickets verstehen mit KI
Ein Klassifikationsmodell wird mit den historischen Tickets eines Unternehmens trainiert oder auf Basis eines Sprachmodells an die eigenen Themen angepasst. Es erkennt, welchem Themenbereich ein Ticket angehört, schätzt die Dringlichkeit ein und extrahiert Informationen wie Kundennummer, Produkt, Fehlermeldung oder betroffenen Standort. Im deutschsprachigen Raum ist Mehrsprachigkeit ein wichtiger Punkt. Tickets kommen auf Deutsch, Englisch und oft in weiteren Sprachen, und das Modell muss sie alle verstehen.
Wichtig ist, dass das Modell nicht nur eine Antwort liefert, sondern auch, wie sicher es sich ist. Bei hoher Sicherheit kann das Ticket direkt weiterverarbeitet werden. Bei geringer Sicherheit geht es an einen Menschen, der es prüft, und diese Prüfung fließt als Lernbeispiel zurück ins Modell. So verbessert sich die Klassifikation laufend, ohne dass Fehler unbemerkt bleiben.
Ein weiterer Nutzen liegt in der Erkennung zusammenhängender Tickets. Wenn innerhalb einer Stunde vierzig Kunden melden, dass ein Dienst nicht erreichbar ist, handelt es sich wahrscheinlich um eine gemeinsame Störung. Das Modell erkennt solche Häufungen und fasst die Tickets zusammen, damit nicht vierzig Menschen parallel dasselbe Problem untersuchen. Wie wir maschinelles Lernen in Planungsaufgaben einsetzen, zeigt unsere Seite zum Machine Learning.
Die Zuweisung als Optimierungsproblem
Sobald klar ist, worum es geht, stellt sich die Frage, wer das Ticket bekommt. Mathematisch ist das eine Variante des klassischen Zuordnungsproblems, eines der ältesten und am besten verstandenen Probleme der Operations Research. In seiner einfachsten Form ordnet es Aufgaben so Personen zu, dass die Gesamtkosten minimal sind. Im Support kommen viele Bedingungen hinzu.
Jede Mitarbeiterin hat bestimmte Fähigkeiten und Sprachen. Jede hat eine aktuelle Auslastung und ein Schichtende. Manche Tickets sollen bei derselben Person bleiben, die den Kunden schon kennt. Manche Kunden haben einen festen Ansprechpartner. Junge Kolleginnen sollen Tickets bekommen, an denen sie wachsen, ohne überfordert zu sein. Und die Last soll fair verteilt werden, damit niemand ständig die schwierigsten Fälle bekommt. Ein Optimierungsmodell berücksichtigt all diese Bedingungen gleichzeitig und findet die Zuweisung, die das gewählte Ziel am besten erfüllt, etwa möglichst wenige SLA-Verletzungen bei möglichst kurzer Lösungszeit.
In der Praxis arbeitet das Modell meist in kurzen Takten. Alle paar Minuten, oder bei jedem neuen Ticket, wird die Zuweisung für die offenen Tickets neu berechnet. Dabei schaut das Modell auch nach vorn. Es weiß, dass eine bestimmte Spezialistin in einer Stunde frei wird, und hält ein passendes Ticket für sie zurück, statt es jemandem zu geben, der es nur mühsam lösen kann. Für solche Probleme mit vielen Regeln eignen sich Verfahren des Constraint Programming und der gemischt ganzzahligen Optimierung, für sehr schnelle Entscheidungen auch Ansätze aus dem Reinforcement Learning.
SLA-Fristen aktiv steuern
Service Level Agreements sind im Support oft der wichtigste Maßstab. Ein gutes Dispatching-Modell kennt für jedes Ticket die verbleibende Zeit bis zur Frist und schätzt, wie lange die Bearbeitung voraussichtlich dauert. Diese Schätzung liefert ein Prognosemodell, das aus historischen Tickets lernt, wie lange ähnliche Anfragen bei welchen Bearbeitern gebraucht haben.
Mit diesen Informationen priorisiert das Modell nicht nur nach Eingang oder Kundenklasse, sondern nach dem tatsächlichen Risiko einer Fristverletzung. Ein Ticket mit großzügiger Frist, das schnell gelöst werden kann, darf warten. Ein Ticket mit knapper Frist und langer erwarteter Bearbeitungszeit kommt nach vorn. Und wenn absehbar ist, dass eine Frist trotzdem nicht zu halten ist, eskaliert das System rechtzeitig, statt erst zu reagieren, wenn es zu spät ist.
Personal und Dispatching zusammen planen
Das beste Dispatching hilft wenig, wenn zur falschen Zeit die falschen Menschen im Dienst sind. Deshalb gehört zur Automatisierung auch eine gute Personalplanung. Aus den historischen Daten lässt sich das Ticketvolumen nach Stunde, Wochentag und Thema vorhersagen, inklusive der Spitzen nach Softwareupdates, zu Monatsbeginn oder bei saisonalen Ereignissen. Daraus ergibt sich, wie viele Mitarbeitende mit welchen Fähigkeiten zu welcher Zeit gebraucht werden.
Die Warteschlangentheorie liefert dafür seit Jahrzehnten bewährte Methoden, etwa die Erlang-Formeln, mit denen sich berechnen lässt, wie viele Agents für einen bestimmten Servicelevel nötig sind. Moderne Modelle erweitern diese Rechnung um mehrere Kanäle, unterschiedliche Fähigkeiten und schwankende Bearbeitungszeiten. Der daraus abgeleitete Bedarf wird dann in einen Schichtplan übersetzt, der Arbeitszeitregeln, Wünsche und Fairness berücksichtigt. Wie wir Schicht- und Dienstplanung angehen, beschreiben wir auf den Seiten zur Dienstplanung für Support-Teams und zur KI-gestützten Dienstplanung.
Wenn eine Störung alles überrollt
Besonders wertvoll wird ein automatisches Dispatching bei großen Störungen. Wenn ein zentraler Dienst ausfällt, verdoppelt sich das Ticketaufkommen innerhalb kurzer Zeit. Ohne Automatisierung versinkt der Service Desk in der Flut, und dringende Anfragen, die mit der Störung nichts zu tun haben, gehen unter.
Ein intelligentes System erkennt die Häufung, fasst die zusammenhängenden Tickets zu einem Vorgang zusammen, informiert die Kunden automatisch über den bekannten Fehler und hält ein kleines Team für die Störung frei, während die übrigen Tickets normal weiterlaufen. So bleibt der Betrieb auch in der Krise geordnet. Ähnliche Fragen stellen sich bei Notdiensten, die geplante Arbeit und Notfälle mit denselben Ressourcen bewältigen. Mehr dazu im Beitrag zur Notdienstdisposition.
KI-Agenten beantworten, Optimierung verteilt
Viele Unternehmen setzen inzwischen KI-Agenten ein, die einfache Anfragen selbst beantworten. Passwort zurücksetzen, Rechnungskopie senden, Status einer Bestellung abfragen. Das entlastet den Support spürbar. Die Anfragen, die übrig bleiben, sind aber meist die schwierigeren, und für sie stellt sich die Frage der richtigen Zuweisung umso dringender.
Die Kombination aus Agent und Optimierungsmodell ist deshalb besonders wirkungsvoll. Der Agent versteht das Anliegen, löst einfache Fälle selbst und bereitet die übrigen strukturiert auf. Das Optimierungsmodell entscheidet, wer sie bearbeitet. Wie diese Arbeitsteilung in der Logistik aussieht, beschreiben wir im Beitrag zu KI-Agenten in der Supply Chain. Die Prinzipien sind im Support dieselben.
Vom Ticket zum Technikereinsatz
In vielen Branchen endet ein Ticket nicht am Schreibtisch. Ein defekter Router, eine gestörte Heizungsanlage oder ein ausgefallener Zähler verlangen einen Technikereinsatz vor Ort. Dann wird aus dem Ticket Dispatching eine Außendienstplanung. Welcher Techniker hat die passende Qualifikation und das richtige Ersatzteil im Fahrzeug, wer ist am nächsten, und wie passt der Einsatz in seine Tagestour?
Auch diese Frage lässt sich mit Optimierung beantworten, und sie profitiert davon, wenn Innendienst und Außendienst gemeinsam geplant werden. Das Ticket wird von Anfang an so aufbereitet, dass der Techniker alle nötigen Informationen hat, und der Termin wird so vergeben, dass er in eine effiziente Tour passt. Wie wir Einsätze in Echtzeit disponieren, zeigen unsere Seiten zur Echtzeit-Disposition bei SLA-Risiken und zur Dispositionsoptimierung.
Akzeptanz im Team und Mitbestimmung
Ein automatisches Dispatching verändert die Arbeit im Support. Damit es angenommen wird, müssen die Mitarbeitenden verstehen, warum sie ein bestimmtes Ticket bekommen haben. Ein gutes System zeigt die Gründe an, etwa die passende Fähigkeit, die Sprache oder die Kundenbeziehung, und erlaubt es, ein Ticket mit Begründung zurückzugeben. Diese Rückmeldungen verbessern das Modell.
Im deutschsprachigen Raum ist zudem die Mitbestimmung ein wichtiges Thema. Systeme, die Arbeit zuweisen und Bearbeitungszeiten auswerten, berühren Fragen der Leistungs- und Verhaltenskontrolle. Deshalb empfehlen wir, Betriebsrat und Datenschutz früh einzubinden und gemeinsam festzulegen, welche Daten wofür verwendet werden. Das schafft Vertrauen und verhindert Verzögerungen bei der Einführung.
Welche Kennzahlen sich verbessern
Die Wirkung eines optimierten Dispatchings zeigt sich an wenigen, gut messbaren Kennzahlen. Die Zeit bis zur ersten Reaktion sinkt, weil Tickets nicht mehr in einer Sammelwarteschlange liegen. Der Anteil der Weiterleitungen geht zurück, weil Tickets von Anfang an beim richtigen Team landen. Die SLA-Quote steigt, weil Fristen aktiv gesteuert werden. Und die Last verteilt sich gleichmäßiger, was Überlastung einzelner Expertinnen und Experten verhindert. Wie groß die Effekte sind, hängt vom Ausgangspunkt ab. Eine Auswertung der historischen Tickets zeigt schnell, wo die größten Hebel liegen.
Wie Hex bei der Automatisierung vorgeht
Hex ist das Team für mathematische Optimierung in der Anexia Digital Engineering Group. In einem Projekt zum Ticket Dispatching beginnen wir mit den historischen Tickets aus Ihrem System. Wir analysieren, wie Tickets heute verteilt werden, wie oft sie weitergeleitet werden und wo SLA-Fristen verletzt werden. Dann simulieren wir auf denselben Daten, wie ein optimiertes Dispatching entschieden hätte. Dieser Vergleich zeigt sehr konkret, was möglich ist.
Danach binden wir Klassifikation und Optimierung an Ihr Ticketsystem an, ob Jira Service Management, ServiceNow, Zendesk, Freshdesk oder eine andere Lösung. Die Agents arbeiten weiter in ihrer gewohnten Oberfläche, die Zuweisung erfolgt im Hintergrund. Die Anexia Gruppe bringt dafür die Softwareentwicklung und den Betrieb mit, sodass die Modelle sicher und datenschutzkonform laufen. Mehr dazu unter KI-gestützte Disposition für Tickets, Datenintegration und DevOps und Cloud sowie im Beitrag zur Ergänzung bestehender Planungssoftware.
Sie möchten, dass jedes Ticket von Anfang an beim richtigen Menschen landet? Sprechen Sie mit unserem Mathematikteam. Wir analysieren Ihre Tickets und zeigen Ihnen, wie viel schneller Ihr Support werden kann.
Häufige Fragen
Brauchen wir ein neues Ticketsystem?
Nein. Klassifikation und Zuweisung werden über Schnittstellen an das bestehende System angebunden.
Wie viele historische Tickets braucht das Modell?
Für eine gute Klassifikation reichen oft einige tausend Tickets mit bekannter Zuordnung. Sprachmodelle können auch mit weniger Beispielen starten und lernen im Betrieb weiter.
Was passiert, wenn die KI ein Ticket falsch einordnet?
Bei geringer Sicherheit geht das Ticket an einen Menschen zur Prüfung. Korrekturen fließen zurück ins Modell, sodass sich die Qualität laufend verbessert.
Wo werden die Ticketdaten verarbeitet?
Das legen wir gemeinsam mit Ihnen fest. Die Modelle können so betrieben werden, dass die Daten in einer Umgebung bleiben, die Ihren Datenschutz- und Sicherheitsanforderungen entspricht.