Julia Lansche

Ziel des Projekts war die Automatisierung von Vertriebs- und Staffing-Prozessen, um manuelle Arbeitsschritte in der Beraterallokation und Ausschreibungsbewertung effizienter abzubilden.
Ich habe einen bestehenden Workflow in eine eigenständige Softwarelösung überführt, die Beraterkapazitäten automatisiert auswertet, Kundenausschreibungen analysiert und auf Basis definierter Kriterien passende Berater vorschlägt. Zusätzlich wurde die Benutzeroberfläche optimiert, um Ausschreibungen, Kapazitäten und Matching-Vorschläge übersichtlich darzustellen und schneller bewertbar zu machen.

Der Mehrwert lag in einer schnelleren Beraterauswahl, einer effizienteren Bearbeitung von Ausschreibungen sowie einer höheren Transparenz in der Ressourcenplanung

Mit dem Ziel, die Produktionsprozesse des Kunden effizienter zu gestalten, habe ich die Abläufe von Wareneingang bis Warenausgang analysiert und gemeinsam mit den verantwortlichen Fachbereichen aufgenommen. Dabei habe ich den Ist-Prozess dokumentiert sowie bestehende Prozessdiagramme optimiert.

Auf Basis der gewonnenen Erkenntnisse habe ich Soll-Prozess-Ansätze entwickelt.

Ziel des Projekts war es, dem Kunden einen strukturierten Zugang zu Automatisierungs- und KI-Potenzialen zu ermöglichen. Dafür entwickelte ich eine Webplattform, die Anwender mithilfe eines integriertem Chatbots durch relevante Fragestellungen führt. Anshcließend wurden konkrete Ideen für den Einsatz von KI und Automatisierung ableitet. Ich war sowohl in die Konzeption als auch in die technische Umsetzung eingebunden und entwickelte Frontend- und Backend-Komponenten der Lösung. Technisch entstand ein RAG-basiertes System, das interne Wissensquellen mit LLM-Orchestrierung kombiniert, um kontextbezogene und praxisnahe Handlungsempfehlungen abzuleiten.

Ziel des Projekts war es, den Einfluss unterschiedlicher Human-AI-Interactionen auf Informationssuche und User Experience zu untersuchen.
Hierfür habe ich einen Voice Agent, einen Chat Agent sowie eine kombinierte multimodale Lösung entwickelt und vollständig umgesetzt, von Frontend und Backend bis zum Deployment. In einer User Study wurde untersucht, wie sich die verschiedenen Interaktionsformen auf Suchverhalten, Informationsgewinn und Nutzererlebnis auswirken.
Alle Nutzerinteraktionen wurden zudem systematisch geloggt und anschließend mit NLP-Methoden analysiert.
Der Mehrwert der Arbeit lag in der Entwicklung und Evaluation multimodaler KI-Agenten sowie in der Gewinnung konkreter Erkenntnisse für die nutzerzentrierte Gestaltung zukünftiger Conversational-AI-Systeme.

Ziel des Projekts war es, eine mobile App zu gestalten, die Menschen über gemeinsame sportliche Aktivitäten miteinander vernetzt und die Organisation sowie Teilnahme an Sportangeboten intuitiv unterstützt.
Im Rahmen des Projekts habe ich die UI und UX der App konzipiert. Dabei wurden Nutzerbedürfnisse im Design-Thinking-Prozess analysiert und in konkrete User Flows, Wireframes und klickbare Prototypen in Figma übersetzt. Der Mehrwert des Projekts lag in der Entwicklung eines nutzerzentrierten Konzepts, das soziale Interaktion und sportliche Aktivitäten in einer intuitiven mobilen Anwendung verbindet.

Ziel des Projekts war es, dem Kunden ein immersives digitales Museumserlebnis mit intelligenter, personalisierter Besucherführung bereitzustellen.

Ich war für die Konzeption und Entwicklung eines VR Museums verantwortlich und entwickelte einen personalisierten virtuellen Guide, der Besucher durch das VR Museum begleitet. Durch die Integration von Realtime-GPT konnte der Guide natürliche Sprache in Echtzeit verstehen, Fragen zu Exponaten beantworten und kontextbezogene Inhalte personalisiert bereitstellen. Dabei verantwortete ich zudem das Prompt Engineering zur Steuerung der Dialoglogik und Optimierung der Antwortqualität des virtuellen Guides.

Der Kundennutzen lag in einem innovativen, interaktiven Museumserlebnis mit personalisierter Wissensvermittlung und einer erweiterten digitalen Besucherinteraktion.

Ziel des Projekts war es, Nutzerinteraktionen in der Trial-Phase datenbasiert auszuwerten, um frühzeitig zu erkennen, ob ein Nutzer ein potenzieller Kunde ist und mit welcher Wahrscheinlichkeit eine Conversion erfolgen könnte.
Im Rahmen meiner Tätigkeit habe ich User-Interaktionsdaten aus Trial-Nutzungen analysiert und Verhaltensmuster identifiziert, die auf Kaufinteresse und Conversion-Potenzial hindeuten. Auf dieser Basis habe ich ein Scoring-Modell entwickelt, das Vertriebs- und Customer-Success-Teams eine Priorisierung von Leads ermöglichte, indem es sowohl die potenzielle Relevanz des Kunden als auch die erwartete Abschlusswahrscheinlichkeit bewertete.
Der Mehrwert des Projekts lag in einer datenbasierten Priorisierung potenzieller Kunden, einer effizienteren Vertriebssteuerung sowie einer gezielteren Allokation von Aufmerksamkeit auf Leads mit hoher Conversion-Wahrscheinlichkeit.

Ziel des Projekts war es, potenziell kündigungsgefährdete Kunden frühzeitig zu identifizieren, um gezielte Maßnahmen im Customer Success einleiten zu können.
Im Rahmen meiner Tätigkeit habe ich Nutzungs- und Kundendaten analysiert, um Verhaltensmuster zu identifizieren, die auf ein erhöhtes Churn-Risiko hinweisen. Auf dieser Basis wurden Modelle und Analysen entwickelt, die Kunden mit potenzieller Kündigungswahrscheinlichkeit frühzeitig erkennbar machten und eine gezielte Priorisierung für Kundenansprache ermöglichten.
Der Mehrwert des Projekts lag in einer proaktiven Kundenbetreuung, der Reduzierung von Kündigungsrisiken sowie einer datenbasierten Unterstützung von Retention-Maßnahmen.

Ziel des Projekts war die datenbasierte Analyse des Nutzungsverhaltens innerhalb der Anwendung, um Anwender anhand ihrer Interaktionsmuster verschiedenen Nutzungstypen zu klassifizieren.
Im Rahmen des Projekts analysierte und bereitete ich Nutzungsdaten aus der Anwendung auf, identifizierte Verhaltensmuster und entwickelte Modelle mit Supervised- und Unsupervised-Learning-Verfahren. Das Projekt lieferte wertvolle Erkenntnisse für Produktentwicklung, Feature-Optimierung und User Experience, indem unterschiedliche Nutzungsmuster und Nutzergruppen systematisch identifiziert wurden.

Ziel des Projekts war es, anhand von Eye-Tracking-Daten vorherzusagen, ob Personen während einer Aufgabe gedanklich abschweifen (Mind-Wandering) oder fokussiert bleiben.
Hierfür habe ich Eye-Tracking-Daten aufbereitet und relevante Merkmale aus den Blickbewegungen extrahiert. Auf dieser Basis habe ich Machine-Learning-Modelle trainiert und evaluiert, um Mind-Wandering-Zustände automatisiert zu klassifizieren.
Der Mehrwert der Arbeit lag in der datengetriebenen Analyse von Aufmerksamkeitsmustern sowie in der Entwicklung eines prädiktiven Modells zur automatisierten Erkennung kognitiver Zustände. Das langfristige Ziel war es adaptive Lernsystem zu verbessern.