Prädiktive Zuordnung von Kunden zu Agenten im Contact-Center

Klassisches fähigkeitsbasiertes Routing schickt einen Kontakt zum am längsten untätigen Agenten mit dem passenden Fähigkeits-Tag. Prädiktives Routing bewertet stattdessen jeden verfügbaren Agenten für jeden wartenden Kontakt anhand einer gewählten Ergebnis-Kennzahl (Lösung beim Erstkontakt, Kundenzufriedenheit, Abschluss, Kundenbindung, Bearbeitungszeit) und wählt den besten Kompromiss zwischen Ergebnis, Wartezeit und Auslastung der Agenten. Anbieter berichten von Verbesserungen, doch der Effekt hängt von Arbeitslast und Daten ab und muss mit einem kontrollierten Holdout auf Ihrem eigenen Aufkommen nachgewiesen werden.

Problem & Nutzen

• Heute: Regeln der automatischen Anrufverteilung (ACD) nutzen Fähigkeiten, Priorität, Sprache und Leerlaufzeit. Teamleitungen stellen Warteschlangen von Hand ein. Agenten mit derselben formalen Fähigkeit unterscheiden sich in ihren Ergebnissen je nach Kundentyp und Thema stark, doch das wird selten genutzt.
• KI-Nutzen: Eine Entscheidung je Kontakt auf Grundlage von Ergebnismodellen kann Lösungs- und Verkaufsquoten steigern und Wiederholungskontakte senken, ohne einzustellen, weil sie vorhandene Kapazität neu verteilt. Die Gewinne entstehen durch Unterschiede: Wenn alle Agenten bei allen Kontakttypen gleich gut sind, gibt es wenig zu gewinnen.
• Zielkonflikt: Zuordnungsqualität konkurriert mit der Wartezeit. Das Warten auf den „besten“ Agenten kann das Servicelevel verschlechtern, daher begrenzen Produktivsysteme die zusätzliche Wartezeit (Warteschlangen-Timeouts) und fallen auf Standard-Routing zurück [1][2].
• Vorsicht bei Belegen: Veröffentlichte Verbesserungszahlen stammen überwiegend von Anbietern. Behandeln Sie sie als Hypothesen; verlangen Sie einen A/B- oder An/Aus-Holdout (Genesys und Afiniti bauen dies beide in ihre Einführung ein) [1][3].

Varianten

• Ergebnisbewertetes Routing (kennzahlenbasiert): Agenten nach der vorhergesagten Kennzahl je Interaktion reihen (Genesys Predictive Routing, NICE, Five9, auf Amazon Connect basierende Eigenentwicklungen).
• Paarungs-/Verhaltensabgleich: Paarungsmodelle über Kunden- und Agentenhistorie, die zwischen Paaren wählen, wenn mehrere Agenten und Anrufer warten (nach Art von Afiniti); läuft typischerweise als Überlagerung über dem bestehenden ACD mit eigenen „Aus“-Holdout-Zeiträumen.
• Vertriebs-, Inkasso- und Kundenbindungs-Desks: Ziel ist Abschluss, Zahlungszusage oder Halte-Quote.
• Service-Desks und Einsatzplanung im Außendienst: Der Agent wird durch einen Techniker ersetzt, siehe OPT-019.
• Digitale Kanäle: Chat, Messaging und E-Mail, bei denen Agenten mehrere gleichzeitige Sitzungen bearbeiten und die Kapazität anteilig ist.
• Private Nutzung: nicht anwendbar.

So funktioniert es

1. Kontakt trifft ein (Sprache/Chat/E-Mail)
2. Anliegen & Kontext (IVR, Bot, Klassifikator LANG-012; Kundenhistorie aus dem CRM)
3. Kandidatenmenge (verfügbare Agenten, Fähigkeiten, Sprache, Dienstplan, Auslastung)
4. Ergebnismodelle: P(Lösung), P(Verkauf), E[Bearbeitungszeit], P(Wiederholung) je Agent x Kontakt
5. Entscheidungsschicht: Bewertung = gewichtete Ergebnisse - Abzüge für Wartezeit/Auslastung; Zuweisungs-Solver
6. Routing-Aktion (zuweisen / bis zu T Sekunden halten / Pool erweitern / überlaufen lassen)
7. Protokollierung der Ergebnisse
8. Nachtraining + Holdout-Auswertung + Fairnessprüfungen

• Modelle: Gradient-Boosting-Bäume oder verallgemeinerte lineare Modelle über Agenten- und Kontakt- Merkmale sind die Arbeitspferde; einige Anbieter nutzen tiefe Modelle. Kontextuelle Banditen / RL ergänzen Exploration, damit das System weiter die Passung von Agent und Kontakt lernt, statt nur das bisherige Routing auszunutzen.
• Zuweisung: Wenn mehrere Kontakte und Agenten gleichzeitig warten, maximiert ein kleines Zuordnungsproblem (Ungarische Methode oder LP/MIP, z. B. Google OR-Tools) den gesamten vorhergesagten Wert unter Nebenbedingungen wie Servicelevel-Zielen und Fairness-Obergrenzen.
• Kausale Sorgfalt: Historische Ergebnisse sind durch früheres Routing verzerrt (die besten Agenten bekamen die schwierigen Anrufe). Nutzen Sie zufällige Exploration, Propensity-Gewichtung oder Uplift-Modelle, um nicht scheinbare „Staragenten“-Effekte zu lernen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Teamleitungen legen Kennzahlen, Gewichte, Wartegrenzen und Ausschlussregeln fest; Agenten können die Richtlinie zur Begründung des Routings einsehen; ein globaler Schalter „Prädiktiv aus“ und eine Holdout-Gruppe bleiben bestehen.

Datenaufbereitung

Die Routing-Qualität hängt von Ergebnis-Labels und sauberen Agentendaten ab. Die Daten liegen typischerweise im CCaaS/ACD (Interaktionsprotokolle, Warteschlangen, Bearbeitungszeiten), im CRM (Kundenstufe, Historie), im Qualitätsmanagement- oder Umfragewerkzeug (Kundenzufriedenheit) und im Workforce-Management-System (Fähigkeiten, Dienstpläne).

Typische Lücken: veraltete oder zu grobe Fähigkeits-Tags, fehlende Ergebnis-Labels (Lösung nur als Freitext des Agenten erfasst), spärliche und verzerrte Zufriedenheitswerte, Kunden-IDs, die über Kanäle hinweg nicht zugeordnet sind, nicht verknüpfte Wiederholungskontakte sowie Gesprächsaufzeichnungen oder Transkripte ohne einheitliche Anliegen-Labels.

Schritte der Aufbereitung: 1. Inventarisieren Sie Quellen und Lücken und ordnen Sie sie zu (PREP-001, PREP-002). 2. Verknüpfen Sie Interaktionen mit Kunden-IDs und berechnen Sie Kennzeichen für Lösung beim Erstkontakt und Wiederholungskontakt (PREP-020). 3. Legen Sie Anliegenskategorien vor der Modellierung fest (PREP-019) und bereinigen Sie die Fähigkeitsprofile der Agenten. 4. Richten Sie eine Holdout-Gruppe ein, damit der Effekt gegenüber dem Standard-Routing gemessen werden kann (PREP-018). 5. Pseudonymisieren Sie Agenten- und Kundenkennungen für die Modellierung (PREP-022) und prüfen Sie Zweck und Rechtsgrundlage (PREP-025).

Werkzeuge: CCaaS-Exporte oder Streaming-APIs, ein Data Warehouse und eine Notebook-Umgebung. Rechnen Sie mit etwa der Hälfte des Aufwands für die Datenarbeit, insbesondere für die Erstellung der Labels und die Identitätszuordnung.

Umsetzungswege

Welcher Weg für wen

• enterprise (A): Prädiktives Routing ist ein eingebautes Modul der großen Contact-Center-Plattformen, die den Echtzeit-Zustand von Warteschlange und Agenten führen; ein eigener Router lohnt sich selten.
• developer (B): Für individuelles Routing auf einem ACD bewerten Sie Agenten mit einem eigenen Modell über Cloud-APIs und die Routing-Schnittstellen der Plattform, mit in der EU gehosteten Komponenten.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• CCaaS mit eingebautem prädiktivem Routing: Genesys Cloud CX (Predictive Routing, mit Einrichtung der Kennzahlen, Nutzenbewertung und Vergleichstest vor der Aktivierung), NICE CXone (inkl. Enlighten AI), Five9, Talkdesk, Avaya/Alvaria, Cisco Webex Contact Center, Salesforce Service Cloud Omni-Channel, Amazon Connect (Routing-Profile, Kompetenzstufen, prädiktive Regeln).
• Anbieter von Überlagerungen: Afiniti (Paarungs-Überlagerung auf bestehenden ACDs); prüfen Sie die Bedingungen zur Datenweitergabe.
• Optionen aus der EU/Europa: Genesys und NICE bieten EU-Regionen an; europäische CCaaS-Anbieter sind Sinch Contact Pro, Enghouse Interactive, Content Guru (UK), Daktela (CZ) und Dixa (DK), mit unterschiedlicher Tiefe der prädiktiven Funktionen. Prüfen Sie Datenhaltung in der EU und Unterauftragsverarbeiter.
• Wählen Sie A, wenn: Sie bereits ein großes CCaaS mit mehreren hundert Arbeitsplätzen und ausreichend Historie betreiben; ein Neuaufbau lohnt sich darunter selten.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Nutzen Sie die Routing-APIs des CCaaS (Routing-/Analyse-APIs von Genesys Cloud, Kontaktattribute und Routing-Profile von Amazon Connect, Twilio TaskRouter), um einen externen Bewertungsdienst aufzurufen.
• Trainieren Sie Modelle mit verwaltetem ML (Azure ML, Vertex AI, SageMaker, EU-Regionen); ein Feature Store, gespeist aus CRM- und Interaktionsdaten. LLMs helfen nur im Vorfeld: Extraktion von Anliegen und Stimmung aus der ersten Äußerung oder Nachricht, nicht bei der Zuweisungsentscheidung selbst.
• Wählen Sie B, wenn: bestimmte Geschäftsziele (Marge, Kundenbindungswert) eine individuelle Bewertung erfordern.

Weg C — Selbst betreiben (Open Source)

• scikit-learn, LightGBM/XGBoost, Vowpal Wabbit (kontextuelle Banditen), OR-Tools oder HiGHS für die Zuweisung, Kafka/Redis für den Streaming-Zustand; Stacks auf Basis von Asterisk, FreeSWITCH oder Jambonz für die Telefonie. Eine CPU genügt (HW1); kleine Open-Weight-LLMs nur zur Extraktion des Anliegens.
• Der Betriebsaufwand liegt vor allem in der Telefonie-Integration und Überwachung, nicht in der Rechenleistung.

Weg D — Eigenes Training

Lohnt sich für große Betriebe (tausende Arbeitsplätze) mit eigenen Kennzahlen: Trainieren Sie Ergebnismodelle je Warteschlange, Banditen-Strategien und Uplift-Modelle aus mindestens mehreren Monaten Interaktionsprotokollen mit verlässlichen Ergebnis-Labels; planen Sie vor Live-Tests eine Offline-Auswertung der Strategie ein (Inverse Propensity Scoring).

Stand der Technik (2026)

• Praxis: Prädiktives Routing ist in gängigen CCaaS produktionsreif und wird je Warteschlange aktiviert, nach einer Nutzenbewertung auf historischen Daten und einem Live-Vergleichstest [1][2].
• Trend: CCaaS-Anbieter bündeln Routing mit KI-Agenten/Voicebots (CONV-002) und Agentenunterstützung (CONV-007); das Routing entscheidet nun auch über menschliche oder KI-Bearbeitung und Eskalation.
• Techniken: Kontextuelle Banditen, Uplift-Modelle und Zuweisung unter Nebenbedingungen ersetzen reine Vorhersage; eine fairnessbewusste Verteilung wird von Betriebsräten zunehmend gefordert.
• Grenzen/Fehlerbilder: Auswahlverzerrung in den Trainingsdaten; kleine Warteschlangen mit zu wenigen Daten; Manipulation durch Agenten; Zielkonflikte zwischen Kennzahlen (kürzere Bearbeitungszeit gegenüber Lösung); Rückkopplungsschleifen, die Spitzenagenten überlasten und zu Burnout führen; Drift, wenn sich Produkte oder Prozesse ändern; schwache Belege über die von Anbietern berichteten Ergebnisse hinaus.

Gemeinsame Bausteine & Kombinationen

• Vorgelagert: LANG-012 (Klassifikation von Anliegen), CONV-002 (Voicebot-Vorsortierung), SPEECH-002 (Gesprächs- Ergebnis-Labels und QA-Werte, die als Trainingsziele dienen).
• Personaleinsatz: OPT-003 (Schichtplanung) und die Prognose PRED-011 legen die Kapazität fest; das Routing optimiert innerhalb dieser Kapazität.
• Nachgelagert: CONV-007 (Agentenunterstützung), PRED-003 (Abwanderungswert als Routing-Merkmal).
• Teilt sich tabellarisches ML, Optimierungs-Solver und Streaming-Stacks mit OPT-019 und OPT-028.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für die Konfiguration plus ein mehrwöchiger Testzeitraum; Lizenz oft pro Arbeitsplatz oder pro KI-Token/Nutzung, prüfen Sie Preisbedingungen auf Holdout- oder Ergebnisbasis.
• Weg B/C: 4-9 Monate inkl. Telefonie-Integration, Dateningenieurwesen und Testdesign.
• Weg D: Quartale; Data-Science-Team.
• Kennzahlen: Lösung beim Erstkontakt, Wiederholungskontaktquote, Kundenzufriedenheit/NPS, Abschluss- oder Halte-Quote, durchschnittliche Bearbeitungszeit, durchschnittliche Annahmezeit, Servicelevel, Abbruchquote, Streuung der Auslastung über die Agenten, Uplift gegenüber Holdout mit Konfidenzintervallen.

Menschen & Veränderung

Agenten sind unmittelbar betroffen, binden Sie sie daher von Anfang an ein. Sponsoren sind die Geschäftsführung und die Leitung des Kundenservice; HR, IT und die Verantwortlichen für ACD- und CRM-Daten kommen früh dazu. Wählen Sie ein Team als Pilotgruppe mit Holdout und legen Sie Routing-Logik und Ergebnisse offen. Teamleitungen behalten die Möglichkeit, das Routing zu übersteuern und Kontakttypen auszuschließen.

Betriebsrat: ja. Die Bewertung von Agenten je Kontakt und die Optimierung nach individuellen Ergebnissen sind geeignet, Verhalten und Leistung zu überwachen, daher greift die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG in der Praxis; § 90 Abs. 1 Nr. 3 ergänzt die Informationspflicht. Ziehen Sie bei Bedarf einen KI-Sachverständigen nach § 80 Abs. 3 hinzu. Vereinbaren Sie Regeln: keine individuellen Rankings für disziplinarische Zwecke, Überwachung von Fairness und Arbeitslast sowie Speicherfristen. Öffentliche Stellen: Personalrat.

Datenschutz: Agenten- und Kundendaten sind personenbezogen. Binden Sie die oder den Datenschutzbeauftragte(n) ein, führen Sie eine DSFA durch (systematische Bewertung von Beschäftigten), schließen Sie mit dem Plattformanbieter einen AVV und dokumentieren Sie die Rechtsgrundlage (§ 26 BDSG). Prüfen Sie anhand von Anhang III (Beschäftigung, Aufgabenzuweisung auf Grundlage individuellen Verhaltens), der ab dem 2. Dezember 2027 Hochrisiko-Pflichten mit sich bringt.

KI-Kompetenz: Unterstützen Sie Agenten und Teamleitungen mit einer Schulung dazu, wie das Routing funktioniert (GUIDE-006). Typische Sorge: Überwachung und unfaire Zuweisung schwieriger Anrufe; begegnen Sie ihr mit Transparenz und Fairness-Dashboards (GUIDE-008). Siehe GUIDE-004 und GUIDE-005.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel kein Hochrisiko, wenn nur Kunden geleitet werden. Vorsicht: Wenn das System Aufgaben auf Grundlage individuellen Verhaltens oder persönlicher Merkmale von Agenten zuweist oder deren Leistung überwacht und bewertet, fällt es unter Anhang III Nr. 4 Buchst. b (Beschäftigung, Management von Arbeitskräften) und ist Hochrisiko [4]. Schließen Sie niemals aus Stimme oder Biometrie auf Emotionen von Agenten oder Kunden an einem Arbeitsplatz: Emotionserkennung am Arbeitsplatz ist nach Art. 5 Abs. 1 Buchst. f verboten (nur Ausnahmen für Sicherheit/Medizin) [4][5]. Die Transparenz nach Art. 50 gilt, wenn Bots beteiligt sind.
• DSGVO: Die Kundenhistorie ist personenbezogen; legen Sie Zweck und Rechtsgrundlage fest (berechtigtes Interesse mit Interessenabwägung); begrenzen Sie Merkmale; vermeiden Sie Rückschlüsse auf besondere Kategorien (Gesundheit, ethnische Herkunft) aus Gesprächsinhalten. Art. 22 begrenzt ausschließlich automatisierte Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung für Personen; Routing erreicht diese Schwelle normalerweise nicht, aber die Verweigerung von Service oder schlechtere Behandlung nach Kundenwertstufe muss geprüft werden [6]. Agentendaten: Beschäftigtendatenschutz (z. B. § 26 BDSG), Mitbestimmung des Betriebsrats (§ 87 BetrVG in Deutschland), DSFA wahrscheinlich.
• Fairness: Kunden dürfen nicht systematisch an schlechteren Service geleitet werden, abhängig von geschützten Merkmalen oder Stellvertretermerkmalen (Sprache, Postleitzahl); testen Sie auf ungleiche Auswirkungen.
• Gegenmaßnahmen: Wartegrenzen, Holdout-Gruppe, nachvollziehbare Dokumentation der Regeln, Prüfprotokolle der Routing-Entscheidungen, Transparenz gegenüber Agenten, regelmäßige Prüfungen auf Verzerrung und Arbeitslast.

Erste Schritte

1. Legen Sie je Warteschlange eine Hauptkennzahl und die maximal zumutbare zusätzliche Wartezeit fest; fixieren Sie die Ausgangswerte.
2. Prüfen Sie die Daten: mindestens mehrere Monate Interaktionen mit verlässlichen Ergebnis-Labels und Agenten-IDs.
3. Binden Sie Betriebsrat und Datenschutzbeauftragte früh ein; führen Sie eine DSFA durch und ordnen Sie anhand von Anhang III ein.
4. Erproben Sie eine Warteschlange mit zufälligem Holdout (prädiktiv an/aus) über mehrere Wochen.
5. Prüfen Sie Uplift, Wartezeiten, Fairness und Arbeitslast der Agenten, bevor Sie ausweiten.

Quellen

1. Genesys Cloud Resource Center — About predictive routing — https://help.genesys.cloud/articles/about-predictive-routing/
2. Genesys Cloud Resource Center — Get started with predictive routing — https://help.genesys.cloud/articles/get-started-with-predictive-routing/
3. Afiniti — company and product information — https://www.afiniti.com/
4. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. European Commission — Guidelines on prohibited AI practices — https://digital-strategy.ec.europa.eu/en/library/commission-publishes-guidelines-prohibited-artificial-intelligence-ai-practices-defined-ai-act
6. Regulation (EU) 2016/679 (GDPR), Art. 22 — https://eur-lex.europa.eu/eli/reg/2016/679/oj
7. Amazon Connect — Routing profiles and proficiencies — https://docs.aws.amazon.com/connect/latest/adminguide/routing-profiles.html
8. Google OR-Tools — https://github.com/google/or-tools