Hallo zusammen, hier ist Jules Martin zurück auf agntmax.com. Heute möchte ich über etwas sprechen, das mich nachts wach hält, etwas, bei dem ich sehe, dass Teams viel zu oft kämpfen, und ehrlich gesagt, etwas, das mit jedem vergangenen Quartal kritischer wird: die versteckten Kosten ineffizienter Datenverarbeitung für Ihre Agenten.
Wir streben alle nach dem mythischen “10x-Agenten”, oder? Demjenigen, der Deals schneller abschließt, Probleme mit einem Lächeln löst und im Allgemeinen Ihre Konkurrenz wie aus der Zeit des Einwahl-Internets erscheinen lässt. Aber wie oft schauen wir auf die Infrastruktur, die diese Agenten unterstützt? Insbesondere, wie oft überprüfen wir die Leistung der Datenpipelines und Verarbeitungssysteme, auf die sie angewiesen sind? Denn lassen Sie mich Ihnen sagen, eine langsame Datenpipeline ist nicht nur ein Ärgernis; sie ist ein stiller Killer der Produktivität von Agenten und damit auch Ihres Gewinns.
Ich habe kürzlich mit einem Kunden gearbeitet, einem mittelgroßen E-Commerce-Unternehmen, nennen wir sie “ShopSmart”. Ihre Vertriebsmitarbeiter beschwerten sich ständig über das langsame CRM. “Es dauert ewig, um die Kundenhistorie zu laden,” “Die Produktsuche hängt,” “Ich habe gerade ein Angebot verloren, weil das System zeitlich abgelaufen ist.” Kommt Ihnen das bekannt vor? Mein erster Gedanke war: “Okay, vielleicht ist es das CRM selbst, ein Problem des Anbieters.” Aber nach einigem Graben stellte sich heraus, dass es nicht am CRM lag. Es war die Datenmenge, die ins CRM floss, die verschiedenen Integrationen, die Kundendaten aus ihrem veralteten ERP gezogen haben, Bestellhistorien aus einem separaten Erfüllungssystem und selbst Webseitenaktivitäten aus einer Marketing-Automatisierungsplattform.
Das Ganze war ein spaghettiartiges Durcheinander aus nächtlichen Batch-Jobs, Cron-Skripten und manuellen CSV-Imports. Die Daten waren veraltet, oft unvollständig und schlimmstenfalls langsam in der Verarbeitung. Ein Vertriebsmitarbeiter, der versucht, einen Kunden zu einem Upsell zu bewegen, ließ sein Profil aufrufen, und es dauerte 10-15 Sekunden, bis alle relevanten Datenpunkte geladen waren. Multiplizieren Sie das mit 50 Agenten, die täglich 30 Anrufe tätigen, und Sie sprechen von Stunden verlorener Produktivität. Nicht nur verlorene Zeit, bedenken Sie, sondern auch verlorene Chancen, weil der Agent nicht schnell auf die benötigten Informationen zugreifen konnte, um sein Angebot anzupassen.
Der versteckte Ballast: Wie ineffiziente Datenverarbeitung die Leistung der Agenten raubt
Lassen Sie uns aufschlüsseln, wo diese Ineffizienz zuschlägt. Es geht nicht nur um “langsame Software”. Es geht um einen Kaskadeneffekt, der jede Facette des Arbeitsalltags eines Agenten betrifft.
Verlorene Zeit, verlorenes Geld
Das ist das offensichtlichste Problem. Jede Sekunde, die ein Agent damit verbringt, auf das Laden von Daten, auf die Erstellung eines Berichts oder die Reaktion eines Systems zu warten, ist eine Sekunde, in der er nicht mit einem Kunden interagiert, einen Deal abschließt oder ein Problem löst. Denken Sie an den kumulativen Effekt. Wenn jeder Ihrer 100 Kundendienstagenten zusätzlich 2 Minuten pro Stunde mit Wartezeiten verbringt, sind das 200 Minuten pro Stunde oder über 3 Stunden verlorene Produktivität jede Stunde. Über eine 8-Stunden-Schicht sind das 24 verlorene Stunden für Agenten. Rechnen Sie ihre Gehälter zusammen, und Sie werden schnell sehen, wie das Geld schwindet.
Bei ShopSmart haben wir berechnet, dass der durchschnittliche Vertriebsagent fast eine Stunde am Tag nur mit Warten auf Systeme verbringt. Das ist ein kompletter Produktionstag, der jede Woche pro Agent verloren geht! Plötzlich schien es weniger attraktiv, einen weiteren Agenten einzustellen, als die zugrunde liegenden Datenprobleme zu beheben.
Veraltete Daten, verpasste Chancen
Über die Geschwindigkeit hinaus gibt es das Problem der Datenaktualität. Wenn Ihre Agenten mit Daten arbeiten, die 24 Stunden alt sind, arbeiten sie im Grunde genommen in der Vergangenheit. Ein Kunde könnte gerade etwas gekauft, ein Support-Ticket eröffnet oder auf ein neues Produkt geklickt haben, aber wenn diese Informationen nicht auf dem Bildschirm des Agenten angekommen sind, arbeiten sie blind. Das führt zu:
- Irrelevanten Konversationen: “Sind Sie noch an X interessiert?” während der Kunde gerade X gekauft hat.
- Frustrierten Kunden: Die Informationen, die sie gerade anderswo bereitgestellt haben, wiederholen zu müssen.
- Verpassten Upsells/Cross-Sells: Wenn man die jüngsten Aktivitäten eines Kunden nicht kennt, weiß man auch nicht, was ihre aktuellen Bedürfnisse oder Interessen sind.
Ich habe dies aus erster Hand bei einem Kunden im Finanzdienstleistungsbereich gesehen. Ihre Berater verwendeten Kundenportfolios, die sich nachts aktualisierten. Stellen Sie sich vor, Sie versuchen, in Echtzeit Anlageberatung zu geben, wenn Ihre Daten immer einen Tag hinterherhinken! Sie mussten ständig ihre Empfehlungen mit “basierend auf den Zahlen von gestern” einschränken. Nicht gerade vertrauensbildend.
Burnout und Fluktuation bei Agenten
Dies ist die heimtückische, langfristige Kosten. Ständig gegen langsame, unresponsive Systeme zu kämpfen, ist äußerst frustrierend. Agenten werden eingestellt, um mit Menschen zu interagieren, Probleme zu lösen, produktiv zu sein. Wenn die Werkzeuge, auf die sie angewiesen sind, aktiv ihre Fähigkeit behindern, ihren Job zu machen, führt das zu Stress, Unzufriedenheit und schließlich zu Burnout. Hohe Fluktuation unter Agenten ist nicht nur ein HR-Problem; es ist eine massive finanzielle Belastung durch Rekrutierung, Schulung und den Verlust institutionellen Wissens.
Ich sprach mit einer der besten Vertriebsagenten von ShopSmart. Sie sagte mir: “Jules, ich liebe das Verkaufen, aber es fühlt sich an, als ob ich versuche, einen Marathon mit zusammengebundenen Schnürsenkeln zu laufen. Jedes Mal, wenn ich in einen guten Rhythmus komme, friert das System ein, und ich verliere meinen Schwung. Es ist mühsam.” Das ist ein direktes Zitat, und es traf mich hart. Wir reden nicht nur über technische Probleme; wir reden über menschliche.
Den Spaghetti entwirren: Praktische Schritte zur Verbesserung der Datenverarbeitung für Agenten
Okay, wir haben das Problem festgestellt. Wie lösen wir es? Die gute Nachricht ist, dass Sie nicht immer eine vollständige Systemüberholung benötigen. Oft geht es um gezielte Verbesserungen.
1. Identifizieren Sie Ihre Engpässe: Verfolgen Sie den Datenfluss
Sie können nicht beheben, was Sie nicht verstehen. Beginnen Sie damit, die kritischen Datenflüsse, die Ihre Agenten betreffen, zu kartieren. Woher kommen die Kundendaten? Wie gelangen sie in Ihr CRM? Welche Transformationen finden unterwegs statt? Nutzen Sie Werkzeuge, wenn Sie welche haben, aber selbst ein Whiteboard und ehrliche Gespräche mit Ihren Agenten und dem IT-Team können viel offenbaren.
Praktisches Beispiel: Bei ShopSmart haben wir den Datenfluss für eine “Neue Kundenbestellung” regelrecht aufgemalt.
- Der Kunde gibt die Bestellung auf der Website auf (E-Commerce-Plattform)
- Bestelldaten werden nachts in das ERP übertragen (altes System)
- ERP verarbeitet die Bestellung, aktualisiert den Bestand, erstellt die Rechnung
- ERP-Daten werden nachts in eine Staging-Datenbank extrahiert
- Ein benutzerdefiniertes Python-Skript verarbeitet die Staging-Daten, aggregiert die Kundengeschichte und überträgt sie ins CRM (ein weiterer nächtlicher Job)
- CRM aktualisiert das Kundenprofil, die Bestellhistorie
Dies offenbarte drei kritische Verzögerungspunkte: nächtliche Batch-Verarbeitung, mehrere Schritte und ein komplexes benutzerdefiniertes Skript, das ineffizient war. Der Agent sah die Bestellung erst mindestens 12-24 Stunden nach der Aufgabe!
2. Optimieren Sie die Datenaufnahme und -transformation
Sobald Sie wissen, wo die Daten fließen, suchen Sie nach Möglichkeiten, es schneller und intelligenter zu gestalten.
a. Wechseln Sie von Batch- zu nahezu Echtzeit (wo es zählt)
Nicht alle Daten müssen in Echtzeit sein, aber kritische, agentenorientierte Daten oft schon. Können Sie von nächtlichen Batches auf stündliche oder sogar eventspezifische Updates für wichtige Informationen wechseln? Zum Beispiel, wenn ein Kunde eine Bestellung aufgibt, kann dieses spezifische Bestellereignis sofort ins CRM übertragen werden, auch wenn die vollständige ERP-Synchronisation später erfolgt?
Code-Schnipsel-Beispiel (konzeptionell – eventspezifisches Update): Stellen Sie sich statt eines nächtlichen Skripts einen Webhook oder API-Call vor, der durch das E-Commerce-System ausgelöst wird:
# Python-Funktion, die durch ein neues Bestellereignis ausgelöst wird
def process_new_order_event(order_data):
customer_id = order_data['customer_id']
order_details = order_data['items']
order_total = order_data['total']
# Direktes Update des CRMs mit neuer Bestellung
crm_api.update_customer_order_history(customer_id, order_details, order_total)
# Möglicherweise in eine Nachrichtenwarteschlange für andere Systeme (ERP, Erfüllung) übergeben
message_queue.publish_event('new_order_placed', order_data)
print(f"Kundenbestellung {customer_id} im CRM aktualisiert.")
Dies ersetzt nicht die vollständige ERP-Synchronisation, verschafft den Agenten jedoch sofortigen Einblick in neue Käufe, was für Vorverkaufs- oder Supportzwecke von unschätzbarem Wert ist.
b. Optimieren Sie die Datenumwandlung
Komplexe Transformationen können ressourcenintensiv sein. Führen Sie redundante Berechnungen durch? Verarbeiten Sie vollständige Datensätze, während nur inkrementelle Änderungen benötigt werden? Überlegen Sie, ob Sie Ihre SQL-Abfragen optimieren, effizientere Datenstrukturen verwenden oder schwere Transformationen an dedizierte Datenverarbeitungs-Engines auslagern können.
Bei ShopSmart führte das Python-Skript jede Nacht einen vollständigen JOIN der Kundendaten, Bestellhistorie und Produktkataloge durch, selbst wenn nur einige Bestellungen geändert wurden. Wir haben es umgestellt, um nur neue Bestellungen zu verarbeiten und vorhandene Kundenakten inkrementell zu aktualisieren, wodurch die Laufzeit drastisch von 4 Stunden auf unter 30 Minuten reduziert wurde.
3. Strategisch cachen
Nicht alle Daten müssen jedes Mal frisch aus der Datenbank abgerufen werden. Für häufig verwendete, relativ statische Daten (wie Produktkataloge, häufige FAQs oder Agentenskripte) kann Caching massive Leistungsgewinne bieten.
Praktisches Beispiel: Ein Agent im Contact Center sucht häufig nach Produktspezifikationen. Anstatt bei jeder Suche auf die Produktdatenbank zuzugreifen, cachen Sie den Produktkatalog in einem schnellen In-Memory-Speicher wie Redis oder sogar einem lokalen Anwendunghcache. Wenn der Agent sucht, überprüft das System zuerst das Cache. Wenn die Daten vorhanden und aktuell genug sind, werden sie sofort bereitgestellt. Nur wenn sie nicht im Cache sind oder veraltet sind, wird die langsamere Primärdatenbank abgefragt.
Konzeptionale Logik für Caching:
def get_product_details(product_id):
# Überprüfe zuerst den Cache
cached_data = cache.get(f"product:{product_id}")
if cached_data:
return cached_data
# Wenn nicht im Cache, aus der Datenbank abrufen
product_data = database.fetch_product(product_id)
# Im Cache für das nächste Mal speichern (mit einer TTL - time-to-live)
cache.set(f"product:{product_id}", product_data, ttl_seconds=3600)
return product_data
Dieses einfache Muster kann in jeder Interaktion Sekunden einsparen, was sich summiert und zu großen Einsparungen führt.
4. Überprüfen Sie Ihre Integrationen
Jeder Integrationspunkt ist ein potenzieller Engpass. Verwenden Sie gut gewartete, zuverlässige APIs oder verlassen Sie sich auf fehleranfällige benutzerdefinierte Skripte und Dateiübertragungen? Sind Ihre Integrationen synchron (warten auf eine Antwort), obwohl sie asynchron (feuern und vergessen) sein könnten?
Überprüfen Sie die Gesundheit und Leistung jeder Integration. Überwachen Sie deren Latenz und Fehlerraten. Manchmal liegt das Problem nicht in Ihrem System, sondern in einem langsamen oder unzuverlässigen externen Dienst, mit dem Sie verbunden sind.
5. Schulen und Ermächtigen Sie Ihre Agenten
Beziehen Sie schließlich Ihre Agenten in den Prozess ein. Sie sind die Endbenutzer und haben oft wertvolle Einblicke, wo die echten Schwachstellen liegen. Erklären Sie ihnen die Datenflüsse (auf hohem Niveau) und wie die Frische der Daten ihre Arbeit beeinflusst. Das fördert ein Gefühl der Verantwortung und kann zu einer besseren Akzeptanz neuer, optimierter Prozesse führen.
Bei ShopSmart haben wir einige Workshops mit dem Vertriebsteam durchgeführt. Ihnen die Datenflussdiagramme zu zeigen und zu erklären, warum bestimmte Daten langsam waren, half uns nicht nur, weitere Probleme zu identifizieren, sondern baute auch Vertrauen auf. Als wir die Verbesserungen einführten, verstanden sie das „Warum“ und waren nachsichtiger bei kleineren Problemen während des Übergangs.
Umsetzbare Erkenntnisse
Okay, Jules, das ist großartig, aber was mache ich morgen früh?
- Wählen Sie einen kritischen Workflow für Agenten: Versuchen Sie nicht, alles auf einmal zu beheben. Wählen Sie einen einzelnen, hochwirksamen Workflow (z. B. „Kundenabfrage“, „Neue Bestellerstellung“, „Lösung von Support-Tickets“), den die Agenten häufig nutzen und bei dem die Leistung ein bekanntes Problem ist.
- Karten Sie die Datenreise: Zeichnen Sie für den gewählten Workflow buchstäblich jeden Schritt auf, den die Daten von ihrem Ursprung bis zum Bildschirm des Agenten durchlaufen. Notieren Sie die beteiligten Systeme, die Methoden der Übertragung (API, Batch, Datei) und die Aktualisierungsfrequenz.
- Identifizieren Sie das langsamste Glied: Bestimmen Sie den Schritt oder das System, das die meisten Verzögerungen verursacht oder die aktuellsten Daten bereitstellt. Dies ist Ihr primäres Ziel.
- Brainstorming einer Verbesserung: Basierend auf dem langsamsten Glied entwickeln Sie eine konkrete, umsetzbare Verbesserung. Ist es, ein tägliches Batch auf stündlich umzustellen? Einen häufig genutzten Datensatz zwischenzuspeichern? Eine langsame Abfrage zu optimieren?
- Vorher und Nachher messen: Entscheidend ist, eine Basislinie festzulegen. Wie lange dauert dieser Workflow heute? Nachdem Sie Ihre Verbesserung implementiert haben, messen Sie erneut. Quantifizieren Sie die Einsparungen in Sekunden pro Interaktion und extrapolieren Sie das auf die eingesparte Agentenzeit.
Die Suche nach der besten Leistung der Agenten dreht sich nicht nur darum, die besten Menschen einzustellen; es geht darum, ihnen die besten Werkzeuge und die schnellsten, aktuellsten Daten zur Verfügung zu stellen. Die Leistung Ihrer Datenverarbeitung zu vernachlässigen ist, als würde man seine Agenten in einem Formel-1-Rennwagen mit platten Reifen fahren lassen. Sie mögen qualifiziert sein, aber sie werden nie ihr volles Potenzial erreichen. Lassen Sie uns diese Reifen aufpumpen, Leute!
Bis zum nächsten Mal, bleiben Sie am Optimieren!
Jules Martin
agntmax.com
🕒 Published: