FACHWISSEN · PROJEKTE & TRANSFORMATIONINSIGHTS · PROJECTS & TRANSFORMATIONAPPROFONDIMENTI · PROGETTI E TRASFORMAZIONECONOCIMIENTOS · PROYECTOS Y TRANSFORMACIÓN
Priorisierung im Vertrieb: Warum eine Trefferquote nicht alle übersehenen Fälle zeigtSales prioritisation: why precision does not reveal every missed casePriorità nelle vendite: perché la precisione non rivela tutti i casi trascuratiPriorización comercial: por qué la precisión no revela todos los casos omitidos

Eine Regel kennzeichnet einige Anfragen als besonders relevant. Viele dieser markierten Fälle passen tatsächlich zur vorgesehenen Bearbeitung. Trotzdem kann die Regel weitere geeignete Fälle übersehen. Für die Bewertung braucht es deshalb mehr als eine einzige Trefferquote: Wichtig ist auch, was außerhalb der priorisierten Gruppe liegt.
Zwei Blickrichtungen unterscheiden
Precision betrachtet, welcher Anteil der als positiv markierten Fälle tatsächlich positiv ist. Recall fragt, welcher Anteil aller tatsächlich positiven Fälle gefunden wurde. Beide Kennzahlen verwenden unterschiedliche Nenner. Eine hohe Precision belegt deshalb nicht automatisch, dass nahezu alle relevanten Fälle erkannt werden.
Ein fiktives Beispiel mit Anfragen
Ein fachlich geprüfter Testbestand enthält 40 relevante Anfragen. Eine Regel markiert 20 Anfragen, davon sind 18 tatsächlich relevant. Die Precision beträgt 18 von 20, also 90 Prozent. Der Recall liegt dagegen bei 18 von 40, also 45 Prozent. Die gute erste Zahl verdeckt damit 22 nicht erkannte relevante Fälle.
Schwellen verändern die Arbeitsverteilung
Eine strengere Priorisierungsgrenze kann die markierte Gruppe verkleinern. Ob dadurch weniger Fehlmarkierungen entstehen und mehr relevante Fälle übersehen werden, muss am tatsächlichen Bestand geprüft werden. Ebenso zählen die Folgen: unnötige Prüfung und übersehener Bearbeitungsbedarf sind unterschiedliche Kostenarten. Eine allgemeingültige optimale Schwelle folgt daraus nicht.
Den Testbestand nachvollziehbar halten
Für eine belastbare Bewertung braucht es fachlich geprüfte Ergebnisse und eine klare Definition von Relevanz. Noch ungeklärte Fälle dürfen nicht still als negativ gelten. Außerdem wird geprüft, ob der Testbestand zum späteren Eingang passt. Die Kennzahlen unterstützen dann die Bewertung einer Bearbeitungsregel, ohne individuelle Entscheidungen oder einen fachlich verantworteten Ausnahmeweg durch einen bloßen Punktwert zu ersetzen.
A rule flags some enquiries as especially relevant, and many of those flagged cases genuinely fit the intended processing route. The same rule may still overlook other suitable cases. Evaluation therefore needs more than one hit rate: what remains outside the prioritised group matters too.
Distinguish two perspectives
Precision measures the proportion of predicted positive cases that are actually positive. Recall measures the proportion of all actual positive cases that were found. These metrics use different denominators. High precision therefore does not automatically demonstrate that almost every relevant case has been identified.
A fictional enquiry example
A business-reviewed test set contains 40 relevant enquiries. A rule flags 20 enquiries, of which 18 are genuinely relevant. Precision is 18 out of 20, or 90 percent. Recall is 18 out of 40, or 45 percent. The strong first result therefore hides 22 relevant cases that the rule missed.
Thresholds change the distribution of work
A stricter threshold may reduce the flagged group. Whether it produces fewer false positives and misses more relevant cases must be tested on actual data. The consequences also differ: unnecessary review and overlooked processing needs are different types of cost. These observations do not establish one universally optimal threshold for every operation.
Keep the test set traceable
Dependable evaluation requires reviewed outcomes and a clear definition of relevance. Unresolved cases should not silently be labelled negative. Check whether the test set resembles later incoming work as well. The metrics can then inform assessment of a processing rule without replacing individual judgement or a responsibly managed exception route with a score alone.
Una regola segnala alcune richieste come particolarmente rilevanti e molte di esse sono effettivamente adatte al percorso di elaborazione previsto. La stessa regola può però trascurare altri casi idonei. La valutazione richiede quindi più di un solo tasso di successo: conta anche ciò che rimane fuori dal gruppo prioritario.
Distinguere due prospettive
La precisione misura la quota dei casi classificati come positivi che sono realmente positivi. Il richiamo, o recall, misura la quota di tutti i casi realmente positivi che sono stati individuati. Gli indicatori utilizzano denominatori diversi. Un’elevata precisione non dimostra quindi automaticamente che siano stati riconosciuti quasi tutti i casi rilevanti.
Un esempio ipotetico di richieste
Un insieme di prova verificato sul piano operativo contiene 40 richieste rilevanti. Una regola ne segnala 20, di cui 18 sono realmente rilevanti. La precisione è 18 su 20, cioè il 90 per cento. Il recall è invece 18 su 40, cioè il 45 per cento. Il buon primo risultato nasconde quindi 22 casi rilevanti non individuati dalla regola.
Le soglie cambiano la distribuzione del lavoro
Una soglia più rigorosa può ridurre il gruppo segnalato. Occorre verificare sui dati effettivi se produca meno falsi positivi e trascuri più casi rilevanti. Anche le conseguenze sono diverse: verifiche inutili ed esigenze di elaborazione trascurate sono tipi di costo differenti. Queste osservazioni non stabiliscono una soglia universalmente ottimale per ogni attività.
Mantenere tracciabile l’insieme di prova
Una valutazione affidabile richiede risultati verificati e una definizione chiara di rilevanza. I casi irrisolti non devono essere classificati implicitamente come negativi. Occorre inoltre controllare se l’insieme di prova somigli al lavoro che arriverà in seguito. Gli indicatori possono così orientare la valutazione di una regola operativa, senza sostituire il giudizio individuale o un percorso di eccezione gestito responsabilmente con un semplice punteggio.
Una regla señala algunas consultas como especialmente relevantes y muchas de ellas encajan realmente en el tratamiento previsto. Sin embargo, esa misma regla puede pasar por alto otros casos adecuados. Por ello, la evaluación necesita más de una tasa de aciertos: también importa lo que queda fuera del grupo priorizado.
Distinguir dos perspectivas
La precisión mide la proporción de casos clasificados como positivos que son realmente positivos. La exhaustividad, o recall, mide la proporción de todos los casos realmente positivos que se han encontrado. Ambos indicadores utilizan denominadores diferentes. Por tanto, una precisión alta no demuestra automáticamente que se haya identificado casi cada caso relevante.
Un ejemplo ficticio de consultas
Un conjunto de prueba revisado funcionalmente contiene 40 consultas relevantes. Una regla señala 20, de las que 18 son realmente relevantes. La precisión es de 18 sobre 20, un 90 por ciento. La exhaustividad es de 18 sobre 40, un 45 por ciento. Así, el buen primer resultado oculta 22 casos relevantes que la regla no detectó.
Los umbrales cambian la distribución del trabajo
Un umbral más estricto puede reducir el grupo señalado. Debe comprobarse con datos reales si produce menos falsos positivos y omite más casos relevantes. Las consecuencias también difieren: las revisiones innecesarias y las necesidades de tramitación desatendidas son costes de tipos distintos. Estas observaciones no establecen un umbral universalmente óptimo para cualquier operación.
Mantener trazable el conjunto de prueba
Una evaluación fiable requiere resultados revisados y una definición clara de relevancia. Los casos pendientes no deben etiquetarse tácitamente como negativos. También debe comprobarse si el conjunto de prueba se parece al trabajo que llegará después. Así, los indicadores pueden orientar la evaluación de una regla de tramitación sin sustituir el juicio individual ni una vía de excepciones gestionada responsablemente por una simple puntuación.