Fertigung · Bad- und Sanitärausstattung
Aufträge aus E-Mails, verarbeitet zuverlässig genug für den Produktivbetrieb
Radaway, ein internationaler Hersteller von Badausstattung, brauchte die Bestelldaten aus unstrukturierten Kunden-E-Mails in großem Umfang. Ein erstes LLM-System war bereits im Einsatz und zeigte deutliches Potenzial. Wir haben es in drei Wochen zu einer zuverlässigen Unternehmenslösung weiterentwickelt und dabei alles behalten, was schon funktionierte.
Ergebnisse
Kunde: Radaway
Ein internationaler Hersteller von Badezimmerausstattung mit Kunden in mehreren europäischen Märkten.
- Branche
- Fertigung
- Anwendungsfall
- Auftragsextraktion aus E-Mails
- KI-Ansatz
- LLM mit semantischem Matching
- Systeme
- E-Mail und Produktdatenbank
- Sprachen
- Mehrere europäische Märkte
- Projektumfang
- Optimierung und Produktionsreife
Kurz gefasst
Was es braucht, damit Extraktion produktionsreif wird
- Die Aufträge von Radaway kommen so, wie Kunden sie schreiben: per E-Mail, in jeder Formulierung und jedem Format.
- Ein erstes LLM-System zog die Bestelldaten bereits heraus und funktionierte unter kontrollierten Bedingungen. Im Maßstab echter Kundenpost blieben vier Baustellen: Bestelldetails, Produktzuordnung, Anhänge und die Frage, ob eine E-Mail überhaupt ein Auftrag ist.
- Wir haben das bestehende System geprüft, statt es zu ersetzen, und genau diese vier Bausteine gehärtet: Prompts, semantisches Produktmatching, Anhangverarbeitung und Intent-Klassifikation.
- Die manuellen Eingriffe sanken um 90 Prozent, die Produktzuordnung erreicht 95 Prozent und mehr, und Aufträge im Anhang werden jetzt überhaupt automatisch verarbeitet.
Die Ausgangslage
Die Aufgabe
Das LLM-System funktionierte unter kontrollierten Bedingungen, doch ihm fehlten strukturierte Ausgabeformate, Validierungslogik und die Behandlung von Sonderfällen, die ein zuverlässiger Unternehmensbetrieb braucht. Manuelle Eingriffe waren weiterhin häufig nötig.
Radaway verarbeitet ein hohes Auftragsvolumen, das über die tägliche Kundenkommunikation hereinkommt, überwiegend per E-Mail. Um das zu modernisieren, hatte das Unternehmen ein LLM-basiertes System eingeführt, das die Bestelldaten automatisch aus eingehenden Nachrichten ziehen sollte.
Die erste Umsetzung zeigte deutliches Potenzial. Mit echter Kundenkommunikation in großem Umfang wurden die Grenzen sichtbar: Bestelldetails wurden gelegentlich falsch gelesen, Produktangaben passten nicht immer zur Datenbank, und E-Mail-Anhänge, in denen viele Bestellungen tatsächlich ankommen, waren gar nicht Teil des automatischen Ablaufs.
Was fehlte, war die Schicht, die ein System verlässlich macht statt vielversprechend: strukturierte Ausgabeformate, Validierungslogik und die Behandlung von Sonderfällen.
Der Bau
Was wir gebaut haben
Statt neu anzufangen, haben wir das bestehende System technisch geprüft und an den vier Bausteinen gearbeitet, die darüber entscheiden, ob es ohne Aufsicht laufen kann.
Prompts, neu geschrieben für Präzision
Wir haben die Prompts so umgebaut, dass das Modell die Bestellung genau herauszieht und Mehrdeutigkeit wegfällt. Strukturierte Ausgabeschemata sorgen dafür, dass jede Antwort in einer vorhersehbaren, maschinenlesbaren Form zurückkommt statt als Fließtext, der erst zerlegt werden muss.
Vom Wortlaut des Kunden zum Eintrag in der Datenbank
Kunden verwenden keine Katalognamen. Ein Transformer-basiertes semantisches Alignment ordnet ein Produkt auch dann richtig zu, wenn die Formulierung abweicht, und ein LLM-Validierungsschritt prüft den Kontext, bevor die Zuordnung bestätigt wird. Die Fehlzuordnungen gingen deutlich zurück.
Endlich auch die Anhänge
Das System zieht die Bestelldaten jetzt aus dem E-Mail-Text und aus den Anhängen und schließt damit die Lücke, durch die eine ganze Gruppe von Aufträgen in der Handbearbeitung landete.
Erst klären, ob es ein Auftrag ist
Ein Intent-Klassifizierungsschritt erkennt, ob eine Nachricht eine neue Bestellung, eine Stornierung oder etwas anderes ist, damit nur Relevantes die Extraktions-Pipeline erreicht.
Was sich geändert hat
Das Ergebnis
Vorher
Häufige manuelle Eingriffe. Fehlzuordnungen bei Produkten, uneinheitliche Extraktion, und Anhänge bearbeitete ein Mensch separat.
Nachher
Eine zuverlässige, produktionsreife Pipeline. Durchgängige Extraktion mit minimalem manuellem Aufwand, Anhänge eingeschlossen.
Die Genauigkeit der Auftragsextraktion stieg erheblich, und Fehlzuordnungen bei Produkten gingen deutlich zurück.
Das System verarbeitet jetzt eine große Bandbreite an Eingaben, ohne dass ein Mensch eingreift: Anhänge, mehrsprachige Inhalte und uneinheitliche Formatierung.
Ein vielversprechendes System das letzte Stück bis in den Produktivbetrieb zu bringen, ist eine eigene Disziplin und meist günstiger als ein Neuanfang: drei Wochen gezielter Arbeit statt eines Neubaus.
Fragen zu diesem Projekt
Auftragsextraktion aus E-Mails. Das LLM-System funktionierte unter kontrollierten Bedingungen, doch ihm fehlten strukturierte Ausgabeformate, Validierungslogik und die Behandlung von Sonderfällen, die ein zuverlässiger Unternehmensbetrieb braucht. Manuelle Eingriffe waren weiterhin häufig nötig.
Weniger manuelle Eingriffe bei der Auftragserfassung: –90 %. Genauigkeit der Produktzuordnung nach der Optimierung: 95 %+. Vom technischen Review zum produktionsreifen System: 3 Wochen. Abdeckung von Aufträgen, die als E-Mail-Anhang kommen: 0 → 100 %.
LLM mit semantischem Matching. Eingesetzte Technik: Large Language Models, Prompt Engineering, Transformer-basiertes semantisches Matching, Strukturierte Ausgabeschemata, E-Mail-Klassifikation, Anhangverarbeitung, Python.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
Automotive · Produktionsplanung
Planungsdaten aus SAP BW, einfach erfragt
Mehr lesen
Logistik · Globaler Betrieb
Keine Logistik-E-Mail gleicht der anderen, und Regeln kamen nicht hinterher
Mehr lesen
Telekommunikation · Call-Center-Betrieb