Wir haben einem deutschen Inkasso-Unternehmen geholfen, wichtige E-Mails in ihrem überfüllten Posteingang mithilfe von Make und OCR-Technologien zu sortieren und zu priorisieren, mit einem Prozess, der durch KI erweiterbar ist.
The rich text element allows you to create and format headings, paragraphs, blockquotes, images, and video all in one place instead of having to add and format them individually. Just double-click and easily create content.
A rich text element can be used with static or dynamic content. For static content, just drop it into any page and begin editing. For dynamic content, add a rich text field to any collection and then connect a rich text element to that field in the settings panel. Voila!
Headings, paragraphs, blockquotes, figures, images, and figure captions can all be styled after a class is added to the rich text element using the "When inside of" nested selector system.
A rich text element can be used with static or dynamic content. For static content, just drop it into any page and begin editing. For dynamic content, add a rich text field to any collection and then connect a rich text element to that field in the settings panel. Voila!
Headings, paragraphs, blockquotes, figures, images, and figure captions can all be styled after a class is added to the rich text element using the "When inside of" nested selector system.
Ein deutsches Inkasso-Unternehmen stand vor einer großen Herausforderung: Der tägliche Eingang von mehreren E-Mails führte dazu, dass sich über 4.000 ungelesene Nachrichten im Postfach ansammelten. Da Inkasso-Fälle nicht nur mit Schuldner*innen selbst, sondern auch mit Anwält*innen, Betreuer*innen und der Polizei zu tun haben können, enthielten viele dieser E-Mails kritische Informationen und Fristen. Aufgrund der Menge an eingehenden Nachrichten gingen jedoch teilweise sehr wichtige E-Mails unter – ein erhebliches Problem für die rechtzeitige Bearbeitung von Fällen.
Das Unternehmen verfügte bereits über ein strukturiertes Ordnersystem in Microsoft Outlook, um E-Mails nach Prioritäten und Verantwortlichkeiten zu sortieren. Die Herausforderung bestand jedoch darin, diesen Prozess zu automatisieren, um schneller und effizienter arbeiten zu können.
Um dieses Problem zu lösen, haben wir einen maßgeschneiderten automatisierten Workflow mit Make entwickelt. Dabei kombinierten wir verschiedene Methoden zur Klassifizierung und Kategorisierung der E-Mails. Unser Ziel war es, die wichtigsten Nachrichten frühzeitig herauszufiltern und ihnen die höchste Priorität zuzuweisen.
Zunächst wurden alle eingehenden E-Mails sowie der gesamte E-Mail-Thread analysiert, um den Kontext besser zu verstehen. Dazu haben wir Konditionen und Kriterien definiert, die eine automatisierte Sortierung ermöglichen. Dabei wurden unter anderem nach bestimmte Keywords wie "Polizei" gesucht, die als Indikatoren für besonders wichtige E-Mails genutzt wurden. Durch die Festsetzung von individualisierten Schlüsselwörtern konnte der Prozess bestimmte E-Mail-Adressen oder Kanzleien erkennen, um diese Nachrichten in die passenden Ordner zu sortieren. E-Mails von Schuldnerberater*innen konnten beispielsweise direkt einem Ordner mit weiteren Anwalt-E-Mails zugeordnet werden, auch wenn das Wort "Anwalt" selbst nicht in der E-Mail vorkam.
Mithilfe der hierarchischen Workflow-Logik wurden zudem die E-Mails von den wichtigsten Absender*innen, wie der Polizei, sofort identifiziert und entsprechend als erstes in einen Ordner sortiert. Diese Struktur ermöglichte es unserem Kunden, sofort zu erkennen, welche Fälle die meiste Aufmerksamkeit erforderten, sodass keine wichtigen Fristen versäumt wurden.
Ein weiteres Problem bestand darin, dass viele wichtige Informationen nicht im E-Mail-Text selbst, sondern in PDF-Anhängen enthalten waren. Um dies zu lösen, setzten wir OCR-Technologie (Optical Character Recognition) von natif.ai ein, die in der Lage war, Texte aus Anhängen auszulesen und zu analysieren. Dadurch konnten relevante Informationen direkt erfasst und die E-Mails richtig zugeordnet werden.
Um eine eindeutige Zuordnung zu gewährleisten, wurde in den E-Mails und deren Anhängen auch nach Referenznummern oder Aktenzeichen gesucht. Falls eine E-Mail keine Referenznummer enthielt, wurde innerhalb des Workflows automatisch eine Follow-up E-Mail, in der die Absender*innen gebeten wurden, eine Referenznummer anzugeben.
Damit jedoch eine Anhäufung automatisierter Nachrichten vermieden wurde, wurde diese Follow-up E-Mail nur einmal gesendet. Falls keine Antwort mit der benötigten Information erfolgte, wurde die E-Mail dennoch in den passenden Ordner verschoben.
Dank unserer maßgeschneiderten Automatisierungslösung und der Kombination mehrerer Technologien wie OCR, regelbasierter Klassifizierung und intelligenter Follow-ups konnte das Inkasso-Unternehmen seinen Posteingang aufräumen und seine E-Mail-Sortierung signifikant optimieren.
Diese Lösung wurde außerdem so aufgebaut, dass sie leicht mit künstlicher Intelligenz erweitert werden kann. Eine KI, beispielsweise in Form eines 0CodeKit Endpoints, könnte zusätzliche Fälle analysieren und besonders schwierige Kontext besser verstehen.
Während unser Make-Workflow bereits auf Keywords, Absender*innen und Anhänge basiert, könnte eine KI die Inhalte der E-Mails vollständig analysieren und klassifizieren – selbst wenn gängige Keywords fehlen. Durch diese Kombination aus Automatisierung und KI könnten Unternehmen zukünftig noch effizienter arbeiten und sich voll auf die wirklich wichtigen Fällen konzentrieren.
Wir beraten möchten dich unabhängig up-to-date halten.
ich bin dabei
