Retourenverhinderung durch gezielte Rabatte: Entwicklung eines KI-basierten Prototyps mit Low-Code-Technologie für den Kundendienst

Zusammenfassung In dieser Fallstudie wurde ein Prototyp entwickelt, der den Mitarbeitenden des Kundendienstes Rabatte für die Kundschaft vorschlägt, um Retouren zu verhindern. Durch die gewährten Rabatte sollen die kaufenden Personen angehalten werden, die Produkte zu behalten. Zudem soll die Zufriedenheit der Kundschaft trotz der Qualitätsdefizite oder Leistungseinschränkungen gewährleistet werden. Die Hauptkomponente des Prototyps ist ein KI-basiertes Modell, das auf dem Fallbasierten Schließen beruht und zur verbesserten Nutzbarkeit in eine Webapplikation integriert wurde. Mit Hilfe der Low-Code-Technologie myCBR konnten der Entwicklungsprozess beschleunigt und die Entwicklungskosten gering gehalten werden. Die Evaluierung erfolgte unter realen Bedingungen bei einem kooperierenden Versandhändler für Möbel und Wohnaccessoires und zielte darauf ab, sowohl die Praktikabilität als auch die Ökonomie des Prototyps zu ermitteln. Die Studie belegt, dass der Prototyp in der Lage ist, die Datengrundlage des Kundendienstes systematisch zu nutzen, um effiziente und kostenreduzierte Rabattvorschläge zu generieren. Indem die Rabatte datenbasiert vergeben werden, können Anliegen der kaufenden Personen effektiver gelöst und unnötige Retouren verhindert werden. Durch die Verhinderung von Retouren trägt der Prototyp somit zur Nachhaltigkeit, Kostenreduktion und Ressourceneffizienz bei. @This case study outlines the development of a prototype designed to minimise consumer returns by supporting customer service agents in offering tailored discounts that shall incentivise the customers to retain their purchases. The prototype is based on an AI model, namely Case-Based Reasoning, integrated within a user-friendly web application to enhance usability. Utilising the low-code technology myCBR had enabled a rapid development, while still maintaining a low-cost implementation. The effectiveness of the prototype was validated under authentic conditions by customer service agents from a cooperating German retailer for furniture and home accessories. The results confirm that the prototype systematically uses existing customer service data to create sufficient discount offers that are both efficient and cost-effective. By implementing data-driven discount strategies, the processing of customer enquiries is optimised and unnecessary returns are proactively avoided. As a result, the prototype’s approach can contribute significantly to sustainability, cost reduction, and conservation of resources.