Wie wir bei Czech Travel Agency dabei helfen, das Berichtswesen mithilfe von GenAI zu automatisieren

Das Unternehmen Czech Travel Agency, Betreiber des Portals Lázně Travel, zählt zu den größten Akteuren auf dem tschechischen Markt für Kur- und Wellnessaufenthalte. Das Angebot umfasst fast 500 Hotels und Tausende von Pauschalangeboten in sieben Ländern. Jährlich werden Zehntausende von Buchungen abgewickelt, wobei der gesamte Betrieb auf einem eigenen Buchungssystem, einem CRM-System, umfangreichen Integrationen sowie einer internen Telefon-Kundenbetreuung basiert.

Ein solches Datenvolumen erzeugt eine riesige Menge an Informationen, die verarbeitet und ausgewertet werden müssen. In der Tourismusbranche ändert sich die Situation jedoch praktisch jeden Tag. Die Nachfrage, die saisonalen Schwankungen, die Leistungsfähigkeit der Marketingkanäle sowie die Margen der einzelnen Hotels und Produktpakete ändern sich ständig. Marketing- und Vertriebsentscheidungen müssen daher auf aktuellen Daten basieren, zu denen es Hunderte verschiedener Sichtweisen gibt. Genau aus diesem Grund haben wir gemeinsam nach einer Möglichkeit gesucht, das Reporting von statischen Dashboards in eine Umgebung zu verlagern, in der Daten mit natürlicher Sprache abgefragt werden können.

Die vier Hauptgrenzen des klassischen Reportings

Czech Travel Agency arbeitete seit Langem mit einer robusten Datenbasis. Das Unternehmen nutzte Google Analytics, Werbesysteme, ein eigenes CRM, ein Buchungssystem, Daten aus dem telefonischen Kundensupport sowie Microsoft Power BI. Auch wir haben an der Erstellung eines Teils der Berichte mitgewirkt. Gleichzeitig haben wir dem Unternehmen dabei geholfen, Daten unternehmensweit effizienter zu speichern, zu teilen und zu verwalten. Mit dem Wachstum des Unternehmens zeigten sich jedoch zunehmend die Grenzen des klassischen Reportings.

Die erste Herausforderung war die Geschwindigkeit. Das Unternehmen ist in einem sehr dynamischen Umfeld tätig, in dem man praktisch sofort reagieren muss. Wenn eine neue Frage auftaucht, bleibt keine Zeit, auf die Erstellung eines weiteren Dashboards oder die Anpassung eines bestehenden Berichts zu warten.

Ein weiteres Problem war die Vielfalt der Nutzer. Der CEO muss ganz andere Kennzahlen im Blick behalten als das Marketingteam, die Vertriebsmitarbeiter, der Finanzvorstand oder die Content-Spezialisten. Ein einziges universelles Dashboard machte keinen Sinn mehr.

Eine weitere Herausforderung war das Wachstum des Unternehmens selbst. Es kamen neue Aufgabenbereiche, neue Prozesse und neue Anforderungen an die Digitalisierung hinzu. Mit jeder Veränderung wuchs auch der Bedarf, weitere Datenansichten zu erstellen.

Und schließlich war da noch die Mobilität. Viele Menschen müssen Informationen außerhalb des Büros abrufen. Sie möchten nicht mehrere Systeme öffnen und nach dem richtigen Bericht suchen. Sie möchten einfach eine Frage stellen und sofort eine Antwort erhalten.

Von Dashboards zum Dialog über Daten

Anstelle einer weiteren Ebene von Berichten haben wir einen anderen Ansatz vorgeschlagen. Das Ziel war nicht, ein neues Dashboard zu erstellen, sondern den Mitarbeitern zu ermöglichen, mit Unternehmensdaten genauso natürlich zu interagieren, wie sie heute mit generativer KI interagieren. Deshalb haben wir eine Architektur entworfen, die auf der Claude-Plattform basiert und in der Lage ist, über eine einheitliche Abfragekonsole auf die internen Daten des Unternehmens zu reagieren.

Der Benutzer muss sich nicht mehr den Kopf darüber zerbrechen, wo bestimmte Informationen zu finden sind oder welchen Bericht er öffnen soll. Er muss nur noch danach fragen.

Zum Beispiel:

• Wie entwickeln sich die Übernachtungszahlen im Jeseníky-Gebirge in dieser Woche im Vergleich zum Vorjahr?
• Welche Hotels erzielen langfristig die höchsten Margen?
• Wie hoch war der Anteil der Buchungen, die über den telefonischen Kundenservice eingegangen sind?
• Welche Kampagnen bringen Kunden mit dem höchsten Bestellwert?

Die wichtigsten Herausforderungen des Projekts

Bei solchen Projekten wird dem Sprachmodell selbst meist die größte Aufmerksamkeit geschenkt. Tatsächlich stellt es jedoch nur die letzte Ebene der gesamten Lösung dar. Der wichtigste Teil unserer Arbeit fand viel tiefer statt.

Zunächst galt es, die Datenbasis zu stabilisieren und die Informationen aus einer Vielzahl unterschiedlicher Systeme zu vereinheitlichen. Darauf aufbauend haben wir anschließend einen MCP-Server eingerichtet, der eine einheitliche Schnittstelle zwischen den Unternehmensdaten und dem Sprachmodell bildet. Diese Ebene entscheidet darüber, ob die KI korrekt, schnell und konsistent antwortet. Es reicht nämlich nicht aus, lediglich die Datenbank zugänglich zu machen, sondern die Daten müssen so aufbereitet werden, dass das Modell sie effizient durchsuchen und richtig interpretieren kann und nur mit den Informationen arbeitet, die es tatsächlich benötigt. 

Eine der größten Herausforderungen bei solchen Systemen ist die Wirtschaftlichkeit des Betriebs. Jede Abfrage verbraucht Token, und bei umfangreichen Unternehmensdatenbanken können die Kosten sehr schnell steigen. Ebenso wichtig ist die Antwortgeschwindigkeit. Ein großer Teil des Entwurfs bestand daher in der Optimierung der gesamten Architektur. Wir haben die einzelnen Schichten so konzipiert, dass das Modell nur relevante Daten erhält, die Menge der verarbeiteten Informationen minimiert wird und gleichzeitig Antworten in möglichst kurzer Zeit bereitgestellt werden.

Von Stunden zu Minuten – Daten sofort und für jeden verfügbar

Anstatt nach dem richtigen Dashboard zu suchen oder die Erstellung eines neuen Berichts anzufordern, können Mitarbeiter sofort und eigenständig mit den Daten arbeiten. Früher war das Gewinnen neuer Einblicke in die Daten oft mit der Erstellung oder Anpassung eines Berichts in Power BI verbunden. Heute reicht es in den meisten Fällen aus, die richtige Anfrage in natürlicher Sprache zu formulieren, um innerhalb weniger Augenblicke eine Antwort einschließlich des erforderlichen Kontexts zu erhalten. Zur Veranschaulichung: Früher dauerte die Erstellung einer neuen, maßgeschneiderten Datenansicht mehrere Stunden. Mit dem neuen System kann genAI selbst komplexeste Datenansichten innerhalb weniger Minuten generieren.

Technologie funktioniert nicht ohne Menschen. Der Schlüssel lag in der Einarbeitung.

Das Projekt umfasste nicht nur die technische Umsetzung, sondern wir haben gleichzeitig die Mitarbeiter der Czech Travel Agency darin geschult, wie sie mit der neuen Umgebung umgehen und wie sie ihre Anfragen richtig formulieren. Denn generative KI ersetzt zwar nicht die Fähigkeit, Daten zu interpretieren, verkürzt aber den Weg zu deren Gewinnung erheblich.

Zusammenfassung

Wir haben die Art und Weise verändert, wie Menschen auf Daten zugreifen. Anstatt nach dem richtigen Bericht zu suchen, können sie mit einer Frage beginnen. Und genau das beschleunigt die täglichen Entscheidungsprozesse im gesamten Unternehmen erheblich.