TVH versnelt het bestelproces met artificiële intelligentie

We kennen TVH door hun vorkheftrucks en hoogtewerkers maar ze gaan veel verder. De beste manier om hun activiteiten enigszins samen te vatten: de globale one-stop shop voor onderdelen en accessoires voor material handling, industriële machines en landbouwmachines.

Met vestigingen in 30 landen, klantenondersteuning in 37 talen en 50 jaar ervaring in het bedrijf zijn ze toonaangevend in wat ze doen en hoe ze het doen.

Binnen de bedrijfseenheid die verantwoordelijk is voor Service & Reparatie, Verkoop en Verhuur & Operationele Leasing hadden ze een bijzonder verzoek waar wij onze tanden mochten inzetten.

Vandaag besteld, morgen geleverd

TVH Equipement ontvangt 8000 bestellingen per dag in België. Een groot deel van deze bestellingen wordt via e-mail gemaakt. Op dit moment worden die bestellingen opgevangen een (grotendeels) manueel proces. Om blijvend te kunnen voldoen aan het gegeven van vandaag besteld, morgen geleverd moest er dus op zoek gegaan worden naar een manier om de werklast te verminderen, zodat klanten rapper geholpen kunnen worden en medewerkers zich verder en op meer essentiële taken kunnen concentreren. Het gericht en efficiënt inzetten van artificiële intelligentie heeft ertoe gebracht dat we dit proces substantieel hebben kunnen versnellen. De klanten van TVH kunnen dus op hun beide oren slapen.

Een concreet plan van aanpak

Om TVH te kunnen helpen hebben we een aanpak gehanteerd die (samengevat) 5 verschillende stappen omvat. Van scherp stellen van de business case tot het uitwerken van een toekomstgerichte oplossing.

  1. Gegevensanalyse: we gingen ter plaatse bij TVH om de gegevens en het bedrijfsproces ten volle te begrijpen
  2. Onderzoek: het gebied van machine learning vordert in een snel tempo, daarom is voor elk project wat aanvullend onderzoek nodig.
  3. Machine learning: tijdens deze fase trainen en verfijnen we onze machine learning-modellen
  4. Integratie: zowel aan de ingangs- als uitgangszijde integreren we met de systemen van TVH
  5. Feedback van (eind)klanten: periodiek gaan we ter plaatse of plannen we een telefoongesprek om feedback van klanten te krijgen

De Business Case

Laten we even stilstaan bij waar het echt om gaat: business stimuleren.

In België alleen al ontvangt TVH Equipment ongeveer 8000 bestellingen per dag. Bijna de helft van die bestellingen worden per e-mail verwerkt, de andere helft loopt via de website en of via de telefoon. Elke bestelling vraagt gemiddeld 5 minuten verwerkingstijd. Dus: ongeveer 330 manuren per dag voor het verwerken van e-mailorders. Met onze applicatie voor orderautomatisering kunnen we de verwerkingstijd terugbrengen van gemiddeld 5 minuten naar gemiddeld 1 minuut. Dit betekent een tijdswinst van 260 manuren per dag (of een reductie van 80%).

De oplossing

  • E-mails classificeren

De eerste stap was om de workflow van TVH te analyseren. Vaststellen en verifiëren hoe klanten e-mails versturen, in welke taal, welke informatie we kunnen vinden in de e-mail, enz.

We kenen niet alleen naar de e-mails die worden gebruikt voor het maken van bestellingen, maar ook naar andere e-mails die naar TVH worden verzonden. Het eerste puzzelstukje dat we nodig hadden was iets om e-mails met bestellingen te onderscheiden van e-mails zonder een bestelling.

Hiervoor is er onderzocht wat de beste manier was om te communiceren met de mailbox, e-mails te manipuleren en e-mails te (onder)scheiden. Voor interactie met de mailbox hebben we zowel een Gmail- als een Office365-API gemaakt voor het afhandelen van e-mails. Voor het scheiden van e-mails gebruikten we een tak van kunstmatige intelligentie, genaamd Natural Language Processing (NLP). Met NLP kunnen we e-mails classificeren op basis van de inhoud van de e-mail. Er zijn veel mogelijke NLP-benaderingen om tekst te classificeren, dus wat (extra) onderzoek was nodig om te zoeken naar die benadering die het meest geschikt was voor de use case van TVH.

  • Informatie extraheren

De volgende stap omvat het extraheren van de relevante informatie uit e-mails. We analyseerden een zeer groot aantal e-mails en (de bijhorende) orders. Hieruit konden we bepalen welke informatie nodig is om een bestelling te (kunnen) maken. Om informatie uit de e-mail te extraheren, gebruikten we Named Entity Recognition (NER). NER zal bepaalde entiteiten in de tekst lokaliseren en classificeren.

  • Web interface

De laatste stap was om te beslissen hoe we een gebruiksvriendelijke webinterface zouden bouwen. TVH heeft Angular al voor hun webplatform gebruikt met een eigen huisstijl. We hebben dezelfde technologie en lay-out gebruikt om de transitie voor de medewerkers zo intuïtief mogelijk te maken.

Tvhfrontend 8c644eee6dede4174bd0127c25f62f55 800

Het resultaat?

Nu kan een medewerker van TVH inloggen op de webinterface en een lijst met e-mails bekijken die moeten worden beoordeeld of die zijn beoordeeld. Wanneer de medewerker een bestelling opent, ziet hij de originele e-mail aan de linkerkant en de bestelling aan de rechterkant. De medewerker kan vervolgens indien nodig wijzigingen aanbrengen en op verzenden klikken als hij klaar is. Deze informatie wordt gebruikt om de verschillende ai-oplossingen te verbeteren, waardoor de tijd nog verder wordt verkort.

Wat brengt de toekomst?

We werken verder met TVH om de toepassing nog verder te verbeteren. Op dit moment werken we aan de implementatie van PDF. Veel van de klanten van TVH maken bestellingen met PDF's. Het probleem is dat elke klant zijn eigen lay-out en PDF-structuur heeft. De volgende stap is om ook die e-mails te verwerken. Een andere toekomstige uitbreiding is het toevoegen van extra klassen e-mails, bijvoorbeeld: stop orders, wijzig orders, enz. enz.

“Vandaag besteld, morgen geleverd... met wat hulp van Artificiële Intelligentie.”

Meer weten over wat artificiële intelligentie kan betekenen voor u? arrow-right-long