Die Herausforderung

Bei einem führenden Unternehmen im Erstellen von Prognosen sind Kundenmanager die Schnittstelle zwischen Einzelhandelskunden und dem Prognose-Team. Sie kennen den Kunden und den Geschäftskontext, sind aber keine Datenanalysten oder Data Engineers.

Jeden Monat werden Kundendaten für die Prognose übermittelt. Sind diese unvollständig oder fehlerhaft, beginnt ein Pingpong zwischen Kunde, Kundenmanager und Datenteam.

Auch nach der Prognose entstehen neue Fragen: „Was passiert, wenn wir diesen Artikel entfernen?“ Für Antworten muss der Kundenmanager häufig erneut das Daten- und KI-Team einbeziehen.

Das macht den Prozess langsam, schwer skalierbar und abhängig von spezialisierten Teams.

Die Lösung

Die Lösung verfolgt ein klares Ziel: Kundenmanager unabhängiger machen und gleichzeitig die unnötige Abhängigkeit vom Daten- und KI-Team reduzieren.

• Datenprobleme früher erkennen: Kundenmanager können Datenprobleme erkennen und an den Kunden zurückspielen, bevor sie das Daten- und KI-Team erreichen. Dadurch wird unnötiges Hin und Her mit den Kunden reduziert.
• Fragen schneller beantworten: Viele statistische, mathematische und „What-if?“-Fragen können direkt vom Agenten beantwortet werden, ohne sie an technische Experten weitergeben zu müssen.
• Geschäftssprache nutzen: Kundenmanager können mit dem System in ihrer eigenen Geschäftssprache interagieren, ohne Fragen zunächst in technische oder statistische Begriffe übersetzen zu müssen.
• Ergebnisse direkt verstehen: Angepasste Visualisierungen helfen Kundenmanagern, Zusammenhänge und Ergebnisse schnell zu verstehen und direkt an den Kunden zu kommunizieren.

Das Ergebnis: ein schnellerer und besser skalierbarer Prognose-Prozess, bei dem Kundenmanager mehr Aufgaben selbst übernehmen können, während sich Daten- und KI-Experten auf komplexere analytische Aufgaben konzentrieren.

Was entstanden ist

Die agentenbasierte Lösung von explai nahm im März 2025 nach einer zweitägigen Anforderungsanalyse vor Ort Gestalt an. Interviews mit dem Kundenmanager, dem CTO und dem CEO sowie die Analyse bestehender Workflows zeigten die zentralen Problembereiche.

• Datenqualität: Die bestehende Eingabe-Funktionalität von explai wurde erweitert. Der Agent analysiert eingehende Daten, erstellt Metadaten und erkennt potenzielle Probleme, bevor die Daten das Daten- und KI-Team erreichen.
• Statistisches und mathematisches Wissen: explai wurde mit Fachwissen ausgestattet, um Prognose- und „What-if?“-Fragen direkt zu beantworten.
• Sprache der Kundenmanager: Über fünf Wochen wurde der Agent auf branchenspezifische Begriffe und Glossare angepasst. Dadurch können Geschäftsanfragen direkt in komplexe SQL-Abfragen übersetzt werden.
• Business-orientierte Visualisierung: Die Visualisierungen wurden an die Bedürfnisse der Kundenmanager angepasst, um Ergebnisse schnell verständlich zu machen.

Warum es funktioniert

Die Lösung orientiert sich am tatsächlichen Workflow sowie der Sprache und den Bedürfnissen der Kundenmanager. explai unterstützt bei wiederkehrenden Aufgaben und Fragen, die jedes Mal einen neuen Kontext haben können, während der Kundenmanager stets die Kontrolle behält.

Das reduziert Abstimmungen, beschleunigt den Prozess und gibt Experten mehr Zeit für komplexe Aufgaben.

Weg zur autonomen Datenbereitstellung

Heute ist der Kundenmanager noch die zentrale Schnittstelle. Der nächste Schritt ist, die Verantwortung für die Daten direkt beim Dateninhaber zu verankern.

Dafür gibt es zwei mögliche Wege:

• Kundenseitige App: Kunden laden ihre Daten hoch und erhalten sofort Hinweise zur Datenqualität. So können sie Probleme selbst beheben, bevor die Daten das Prognose-Team erreichen.
• Automatische Anbindung: explai verbindet sich direkt mit der Datenquelle des Kunden, überwacht den vereinbarten Übermittlungszeitpunkt und informiert den verantwortlichen Dateninhaber automatisch, wenn eine Aktion erforderlich ist.

Das löst auch ein ganz praktisches Problem: Ist die verantwortliche Person beispielsweise im Urlaub, sollte daraus nicht automatisch eine zusätzliche Aufgabe für den Kundenmanager werden. Stattdessen kann das System den Dateninhaber oder eine Vertretung direkt benachrichtigen : Prognose-Ergebnisse verstehen, erklären und Kunden bei ihren Entscheidungen unterstützen.

Dasselbe Prinzip gilt nach der Auslieferung des Forecasts. Einzelhandelskunden benötigen häufig schnelle Antworten, weil ihre nächste Planungsentscheidung nicht warten kann. Das Ziel ist daher nicht nur eine einfachere Prognose, sondern ein schnellerer gesamter Frage → Antwort → Entscheidung-Zyklus.