Door een oplopende hoeveelheid e-mails worden reacties langzamer en vertraagt het gehele proces. Een cruciale uitdaging voor THB Verhoef ligt in het feit dat het sales team aanzienlijke tijd besteedt aan het handmatig doorzoeken van e-mails en deze vervolgens toewijst aan de juiste medewerkers. Om deze inefficiëntie aan te pakken, werd team Datacation gevraagd om een oplossing te ontwikkelen die de inkomende e-mails automatisch sorteert op basis van het type (order, offerte-aanvraag of overig), het soort klant en het type motor.  Zo weten werknemers direct waar ze aan toe zijn, wat veel rust geeft. 

Binnen dit complexe vraagstuk hebben we intensief samengewerkt en gecommuniceerd, waarbij korte lijnen zorgden voor een vlotte afstemming tussen THB Verhoef en Datacation. Om een intuïtieve oplossing te creëren, hebben we een tijdelijke methode geïmplementeerd om het natuurlijke sorteergedrag van de medewerkers te tracken. Deze gegevens werden vervolgens gebruikt om een tekstclassificatiemodel te trainen dat de context van e-mails nauwkeurig kon bepalen. Bovendien hebben we de diepgaande domeinkennis van THB Verhoef benut om motortypes te herkennen, waarna we onze Natural Language Processing-skills (NLP) hebben toegepast om het model te verfijnen.  

Onze uiteindelijke oplossing omvat verschillende componenten. Allereerst hebben we een eenvoudig tekstclassificatiemodel ontwikkeld om het type e-mail te identificeren. Daarnaast hebben we een geavanceerder model waarin de zakelijke logica geïmplementeerd is om het type klant te bepalen op basis van de inhoud van de e-mails. Voor het herkennen van motortypes hebben we een combinatie van tekstuele analyse en domeinkennis toegepast, wat heeft geleid tot een uiteindelijke zeer nauwkeurige classificatie van 98.5 procent.